当前位置:
首页 > 互联网+ > 人工智能 > 深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

书名:深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

推荐语:从PyTorch框架结构出发,介绍线性回归、逻辑回归、前馈神经网络、卷积神经网络、循环神经网络RNN、自编码模型、以及GAN对抗生成网络

作者:邢梦来,王硕,孙洋洋

出版社:电子工业出版社

出版时间:2018-07-01

书籍编号:30458597

ISBN:9787121345647

正文语种:中文

字数:108200

版次:1

所属分类:互联网+-人工智能

全书内容:

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载






作者简介

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

刑梦来,擅长量化分析理论,深入研究多空对比分析,对多空趋势平衡有独特的见解,形成一套多空对比体系。同时对交易心理状况、人工智能与区块链技术也有较深入的研究。

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

王硕,资深软件工程师,具有9年的Java企业应用开发经验和4年的教育培训经验,曾主持多个B/S项目开发,项目经验丰富,擅长Jave EE(Struts2、Spring3、Hibernate3)项目开发、Python(程序GUI、数据分析、网络爬虫)项目开发,是极宽量化开源团队核心成员,也是《PyQt5快速开发与实战》一书的作者之一。

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

孙洋洋,《PyQt5快速开发与实战》一书的作者之一,擅长网络爬虫、机器学习、量化投资与程序GUI开发设计。有多年量化投资实盘操作经历,现就职于某期货公司做量化研究员。

前言


日常生活中,人工智能悄悄地影响着我们。


随着人工智能的技术的发展,现代几乎各种技术的发展都涉及了人工智能技术,可以说人工智能已经广泛应用到许多领域,其典型的应用包括:信息检索应用、推荐系统、语音识别、自然语言处理、图像识别、智能家居等。以人工智能在语音识别,语音合成上的结果看,2016年10月份由微软美国研究院发布的一个语音识别的最新结果实现了错误率为5.9%的新突破,这是第一次用人工智能技术取得了跟人类似的语音识别的错误率。


人工智能一直处于计算机技术的前沿,人工智能研究的理论和发现在很大程度上将决定计算机技术的发展方向。为了适应新一轮的科技发展,培养高端人才,人工智能进入国家发展战略。


2017年7月,国务院印发《新一代人工智能发展规划》,其中提到,新一代人工智能发展分三步走的战略目标,到2030年使中国人工智能理论、技术与应用总体达到世界领先水平,成为世界主要人工智能创新中心。


为此,我们积极学习人工智能前沿知识,适应科技进步。


本书选用Facebook开源深度学习库PyTorch作为深度学习框架。常用的深度学习开源平台有TensorFlow、Theano、Keras、Caffe等。在TensorFlow的官网上,它被定义为一个用于机器智能的开源软件库,使用 TensorFlow需要编写大量的代码,个人觉得不适合初学者。


Theano是比较老牌和最稳定的库之一。由于Theano不支持多GPU扩展,在深度学习开源平台快速更新迭代的浪潮下,Theano已然开始慢慢被遗忘了。


Keras句法比较明晰,文档完善,使用非常简单轻松。Keras强调极简主义,只需几行代码就能构建一个神经网络,适合新人学习。


Caffe是老牌中的老牌框架。起初的时候它仅仅关注计算机视觉,但它具有非常好的通用性。Caffe的缺点是它不够灵活,同时Caffe的文档非常贫乏。


张量是 PyTorch 的一个完美组件,和 NumPy 类似。将张量从 NumPy转换至PyTorch非常容易。可以把它作为NumPy的替代品。PyTorch这种框架可以获得GPU加速,以便快速进行数据预处理,或其他任务。PyTorch同时也提供了变量,我们在构建神经网络的时候,在张量之上的封装,构建自己的计算图,并自动计算梯度。PyTorch建立的是动态图,TensorFlow建立的是静态图。PyTorch更加符合一般的编程习惯,而不是像TensorFlow那样需要先定义计算图。


虽然开源平台众多,但更多的时候,我们考虑实现算法的简捷性,通常选择容易上手的,能快速实现算法的开源平台。为此,我们需要选择适合自己的深度学习开源平台,实现深度学习算法。


学习深度学习理论知识,了解人工智能行业发展动态,掌握前沿科学技术。利用 PyTorch 开源平台快速实现经典卷积神经网络、循环神经网络、自编码模型、对抗生成网络等模型。开启海绵模式,尽可能多学原理知识,掌握机器学习的基础理论知识,然后针对性地训练。通常从收集数据,预处理和清洗数据,到搭建模型,训练和调试模型,再到最后评估模型。逐渐培养出对于什么样的数据适合用什么类型的模型的判断能力,并增强实践能力。经过学习,逐渐从“小白”,慢慢到专业人士。有兴趣的读者欢迎加入本书交流群,一起交流学习。同时,本书所有案例的代码统一放在QQ群文件里,群号为662443475,或在博文视点官网下载:www.broadview.com.cn。


致谢


感谢电子工业出版社的黄爱萍编辑,在选题策划和稿件整理方面做出的大量工作。


感谢极宽开源量化团队给予的技术支持。


在本书的创作中,特别感谢张建辉、刘笑俐、王丽颖、刘晓峰、刘婷、沈雨涵的协助,为他们的付出表示感谢。


邢梦来


2018年6月


轻松注册成为博文视点社区用户(www.broadview.com.cn),扫码直达本书页面。


下载资源:本书如提供示例代码及资源文件,均可在 下载资源 处下载。


提交勘误:您对书中内容的修改意见可在 提交勘误 处提交,若被采纳,将获赠博文视点社区积分(在您购买电子书时,积分可用来抵扣相应金额)。


交流互动:在页面下方 读者评论 处留下您的疑问或观点,与我们和其他读者一同学习交流。


页面入口:http://www.broadview.com.cn/34564

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

第一部分 理论部分


第1章 深度学习简介


第2章 PyTorch环境安装


第3章 PyTorch基础知识


第4章 简单案例入门


第5章 前馈神经网络


第6章 PyTorch可视化工具


第1章 深度学习简介


在北京时间2016年3月15日的下午,谷歌 DeepMind团队开发的围棋深度学习系统AlphaGo以总比分4∶1战胜了韩国棋手李世石,成为第一个在19×19棋盘上战胜人类围棋冠军的智能系统。2017年10月19日, DeepMind 团队重磅发布 AlphaGo Zero。相比上一代 AlphaGo,该版本的AlphaGo实现了在AI发展中非常有意义的一步——“无师自通”。在AlphaGo的核心组成部分中,估值网络(Value Network)和走棋网络(Policy Network)都使用了深度学习的技术。AlphaGo 战胜李世石的新闻成功地把深度学习的概念从学术界推向了大众,并点燃了大众对于人工智能的巨大热情。AlphaGo Zero的伟大之处是第一次让机器可以不通过任何棋谱,不通过任何人类的经验,在只告诉规则的前提下,成为一个围棋高手,这种无师自通的学习模式在AI整个发展历史上是非常有意义的。


1.1 深度学习


深度学习的概念由 Hinton 等人于2006年提出。深度学习的概念源于人工神经网络的研究。含多隐层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层次表示属性类别或特征,以发现数据的分布式特征表示。


深度学习在完成一些难度极高的任务中展现了惊人的功力,如从图片中识别物体、语言理解,棋盘类游戏等。我们举一个例子来具体说明什么是深度学习。


我们都知道机器学习的目的是在没有特定编程的情况下,希望系统去回答某个问题。比如:明天北京会下雨吗?这类问题可以翻译成以下形式:对于给定的输入X,正确的输出Y是什么?输入的是北京天气的信息,输出则为会下雨或者不会下雨。


传统的机器学习需要我们首先定义一系列程序寻找的特征。比如,图 1.1 里的猫有两个眼睛一个鼻子,四条腿,以及它毛茸茸的毛。我们给程序提供大量的例子,但是对于每个例子,都不会向程序展示全局图片,而是展示预先设定的某特征的变量,然后告诉程序哪个才是猫。经过训练之后,程序就能明白如果它没有毛茸茸的毛,它可能不是猫。而深度学习却可以很好地解决这个问题。

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

图1.1 使用深度学习识别图片中的猫

深度学习模型中的卷积神经网络模型可以用来解决这个问题,通过卷积神经网络我们来讲讲深度学习模型是如何识别图片里的猫的。图1.2是简单的单层神经网络模型。


第一步,我们准备好要识别的图片,假设这张图片的尺寸为28×28像素,然后把图片中的像素传输给卷积神经网络模型。第一层神经网络将扫描图片,以5×5的色块为单位,去寻找一些基本的特征,并提取特征,形成特征地图。

深度学习框架PyTorch快速开发与实战pdf/doc/txt格式电子书下载

图1.2 单层神经网络模型

第二层将把第一层产生的特征地图,继续按照第一次的方式扫描,这样一层又一层,直到有一层获取了足够的信息可以判断这是一只猫。我们可以看到卷积神经网络很神奇地筛选出猫的特征来,而采用卷积神经网络我们只需要设定模型结构,让程序从训练数据中自己归纳学习,模型会自动采集重要的模型特征,从而判断出是猫或者不是猫。


我们从深度学习的深度和学习两方面进行讲解。


深度学习的前身是人工神经网络。我们说的神经网络一般就是指人工神经网络。最简单的神经网络由输入层、隐藏层和输出层组成。输入训练数据为输入层,输出计算结果为输出层,隐藏层使输入数据传播到输出层,从而把神经网络形成网络结构。传统神经网络的每一层有大量的节点组成,也叫神经元。每层内的节点相互独立、互不干扰。层与层之间的节点相互连接,深度学习就是增加多层网络结构,利用现有的数据,来对未知的数据做预测分类。


深度学习的模型是如何学习的呢?我们也许都有过这样的经历,做过一道数学题并且知道如何求解,下次再遇到类似的题目就可以很轻松地解决。我们在学习的过程中举一反三、触类旁通,逐渐地拥有解决问题的能力。但是我们都知道机器没有大脑思维,如何才能让机器自己学习并拥有这样的能力呢?这也是人工智能发展的方向。现在我们会问深度学习是否有这样的能力呢?


我们给设定好的机器模型输入大量的数据,不断地训练,最终得到我们想要的结果。这些过程就像我们平时做大量练习题,不断地思考并且训练如何能正确地解答题目,到最后获得正确的解决问题、得出答案的能力。


我们再从监督学习和无监督学习两方面进行讲解。


机器学习方法有监督学习与无监督学习之分,和机器学习方法一样,深度机器学习方法也有监督学习与无监督学习之分。不同的学习框架下建立的学习模型也不同。


有监督学习:利用一组已知类别的样本调整分类器的参数,使其达到所要求性能的过程,也称为监督训练或有教师学习。对具有概念标记(分类)的训练样本进行学习,以尽可能对训练样本集外的数据进行标记(分类)预测。这里,所有的标记(分类)是已知的。因此,训练样本的歧义性低。


无监督学习:对没有概念标记(分类)的训练样本进行学习,以发现训练样本集中的结构性知识。这里,所有的标记(分类)是未知的。因此,训练样本的歧义性高。聚类就是典型的无监督学习。


半监督学习(Semi-supervised Learning)是模式识别和机器学习领域研究的重点问题,是监督学习与无监督学习相结合的一种学习方法。它主要考虑如何利用少量的标注样本和大量的未标注样本进行训练和分类的问题。半监督学习对于减少标注代价,提高机器学习性能具有非常重大的意义。


虽然 AlphaGo 战胜李世石将人工智能推向了一个新的高度,但是AlphaGo 能够解决的仅仅是在一个特定环境中定义好的问题,要将人工智能系统真正的应用到开放环境,还需要研究人员更多的努力。这也将是AI未来发展的方向。


1.2 神经网络的发展


2017年,人工智能发展火热。机器学习和大数据领域取得突破性的进展,作为人工智能一个重要分支的深度学习,也正受到大家越来越多的关注。经历了几年的高速发展,深度学习在工业界和学术界备受追捧,百度、阿里巴巴、腾讯也将人工智能方面的人才培养作为战略重心,同时吹响了人才抢夺的号角。斯坦福大学教授、计算机视觉领域领军人物李飞飞(Feifei Li)于2016年加入谷歌;卡内基梅隆大学教授、机器学习领域顶级人物Alex Smola于2016年加入亚马逊。深度学习界泰斗吴恩达(Andrew Ng)宣布退出百度,成立了自己的人工智能公司,2017年8月15日,吴恩达向美国证券交易委员会(SEC)注册了一支1.5亿美元的风险投资基金,专门投资人工智能领域。


除吴恩达外,在过去的几个月中,谷歌也公布了一项专注人工智能领域的风险投资基金——Gradient Ventures,它将为人工智能领域的初创公司提供科研资金和技术指导。Dropbox前创始人和腾讯也一起

....

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

本站仅展示书籍部分内容
如有任何咨询

请加微信10090337咨询

再显示