核心開發者親授！PyTorch深度學習攻略 系列名：Learning by doing 從做中學系列 ISBN13：9789863126737 出版社：旗標出版社 作者：Eli Stevens;Luca Antiga;Thomas Viehmann 裝訂／頁數：平裝／656頁 規格：23cm*17cm*3.2cm (高/寬/厚) 版次：1 出版日：2021/07/23 中國圖書分類：特殊電腦方法 內容簡介 【PyTorch官方唯一推薦教材！】 　　深度學習是近年來非常夯的一個領域，發展的速度也十分的驚人。曾經，深度學習的函式庫五花八門，各自都具備了一定的重要性。如今，使用者開始往兩大函式庫，PyTorch及Tensorflow靠攏，進而鞏固了它們的地位。在2018年以前，Tensorflow在國際學術頂尖會議中的論文引用率都遠超PyTorch。自2019年起，PyTorch就奮起直追，越來越受到學者們的喜愛。在ICLR 2020和CVPR 2020會議中，使用PyTorch的論文數已超越Tensorflow。由此可見，掌握PyTorch，是勢在必行的！ 　　PyTorch最為人稱道就是語法和Python相近，一樣簡潔好學，與Numpy、Pandas函式庫的相容性也很好，並支援動態運算圖（dynamic computational graph），有助於模型的優化，對記憶體的使用也非常有效率。本書作者為PyTorch核心開發者，深知PyTorch的強大之處，並擁有豐富的深度學習經驗，將帶你從無到有，利用PyTorch建構出深度學習模型，並用其來解決現實問題的能力。 　　與其他深度學習框架書相比，本書的最大特色為：利用數個章節來實作肺癌偵測專案。在實作該專案的過程中，你可以實際體會到如何充分把所學應用出來，並針對過程中所遇到的問題來找出解方。更重要的是，作者的寶貴經驗會讓你少走許多彎路，快速培養實戰能力！ 　　閱讀完本書後，你將了解： 　　★深度學習的基本資料結構：張量（tensor） 　　★如何實作模組及損失函數 　　★如何從PyTorch Hub中載入預先訓練的模型 　　★在有限的資料下，訓練模型的方法 　　★分析測試結果，並找出現有模型中的問題 　　★透過擴增資料等方法，提高模型的表現 　　如果你對深度學習非常有熱忱，並且已經具備一定的Python能力，願意跟著書中內容動手嘗試，那你就是本書最適合的讀者！ 本書特色 　　◎作者為PyTorch核心開發者，能以更全面的視角來進行教學 　　◎實作內容豐富，花費大量篇幅處理肺癌偵測專案 　　◎時刻提點實作專案時可能遇到的陷阱，讓讀者少走彎路 　　◎各章節的內容皆搭配程式範例，讀者可實際演練來加深印象 　　◎本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容 　 專家推薦 　　●Soumith Chintala，PyTorch 共同開發者 & Facebook AI Research 研究員： 　　『這本書出版後，我們終於有了關於 PyTorch 的權威著作，它具體地說明了基礎的知識和概念。』 　　●Mathieu Zhang，NVIDIA 深度學習技術經理： 　　『將深度學習切割成易於讀者消化的區塊，再以程式範例作為輔助。』 　　●Philippe Van Bergen，PÇ Consulting 雲端架構師： 　　『具及時性、實務性及透徹性的一本書。你應該把它放在你的電腦旁，而不只是把它放在書架上。』 　　●Orlando Alejo Méndez Morales，Experian 軟體分析師： 　　『這本書提供了非常實用的深度學習概述，適合做為教學資源。』 目錄 ★第一篇 PyTorch的核心 ☆第1章：深度學習與PyTorch函式庫 1-1 深度學習的演變 1-2 將PyTorch應用到深度學習中 1-3 為什麼要使用PyTorch？ 1-4 PyTorch如何協助深度學習專案的開發 1-5 軟硬體需求 ☆第2章：預先訓練的模型 2-1 利用預先訓練的模型來辨識圖像中的物體 2-2 利用預先訓練的模型來生成『假』圖片 2-3 能描述場景的神經網路模型 2-4 Torch Hub 2-5 結論 ☆第3章：介紹張量 3-1 浮點數的世界 3-2 張量：多維陣列 3-3 利用索引值操作張量 3-4 為張量命名 3-5 張量的元素型別 3-6 其他常用的張量功能 3-7 張量的儲存原理 3-8 大小 、偏移及步長 3-9 把張量移到GPU上 3-10 與NumPy的互通性 3-11 通用的張量（可適用於各種硬體） 3-12 將張量序列化（長期儲存） 3-13 結論 ☆第4章：用張量表示現實中的資料 4-1 圖片資料 4-2 3D立體圖片資料 4-3 表格資料 4-4 時間序列資料 4-5 表示文字資料 4-6 結論 ☆第5章：學習的機制 5-1 學習的流程 5-2 學習就是在估算參數 5-3 以降低損失為目標 5-4 梯度下降演算法 5-5 用PyTorch的autograd進行反向傳播 5-6 結論 ☆第6章：使用神經網路來擬合資料 6-1 神經元 6-2 PyTorch的nn模組 6-3 進入正題：神經網路 6-4 結論 ☆第7章：從圖片中學習 7-1 由小型圖片組成的資料集 7-2 區分鳥和飛機 7-3 結論 ☆第8章：卷積神經網路 8-1 關於卷積 8-2 卷積的實際應用 8-3 建立nn.Module的子類別 8-4 訓練卷積網路 8-5 模型設計的進階技巧 8-6 結論 ★第2篇 從現實世界中的圖片學習：肺部腫瘤偵測專案 ☆第9章：利用PyTorch對抗癌症 9-1 應用實例的介紹 9-2 為大型專案做準備 9-3 CT掃描到底是什麼？ 9-4 專案概述：肺部腫瘤偵測器 9-5 結論 ☆第10章：匯入原始資料並整合為資料集 10-1 原始CT資料 10-2 分析LUNA的標註資料 10-3 匯入CT掃描資料 10-4 定位結節 10-5 簡單的資料集實作 10-6 結論 ☆第11章：訓練模型分辨結節的真假 11-1 最基礎的模型與訓練迴圈 11-2 程式的進入點 11-3 訓練前的設定與初始化 11-4 我們的首個神經網路 11-5 模型的訓練與驗證 11-6 輸出表現評估資料 11-7 執行訓練程式 11-8 評估模型表現：得到99-7%的分類準確率就代表結束了嗎？ 11-9 使用TensorBoard畫出訓練評估指標 11-10 為什麼模型沒有學會偵測結節？ 11-11 結論 ☆第12章：利用評估指標和資料擴增來改善訓練成效 12-1 模型改善的大方向 12-2 偽陽性與偽陰性 12-3 陽性與陰性的視覺化描述 12-4 理想的資料集長什麼樣子？ 12-5 過度配適 12-6 利用資料擴增來防止過度配適 12-7 結論 ...