【Pytorch官方新书】PyTorch 深度学习, 141页pdf, 必备宝典, 通俗易懂

2019 年 11 月 22 日 专知
【Pytorch官方新书】PyTorch 深度学习, 141页pdf, 必备宝典, 通俗易懂

【导读】Pytorch官网Pytorch.org最近发布了一本开源书深度学习《Deep Learning with PyTorch》,共141页pdf,限时开放,涵盖了深度学习和Pytorch库的介绍,预训练网络,张量,学习机制,数据神经网络学习。书里面有详实的代码,是入门学习Pytorch深度学习必备器物,不得不看!


网址:

https://pytorch.org/deep-learning-with-pytorch


作者介绍:

Eli Stevens过去15年一直在硅谷工作,是一名软件工程师,过去7年一直是一家制造医疗设备软件的初创公司的首席技术官。


Luca Antiga是位于意大利贝加莫的一家人工智能工程公司的联合创始人兼首席执行官,也是PyTorch的定期贡献者。


《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路,全书总共只有 5 个章节



使用PyTorch的深度学习提供了一个详细的、实际操作的介绍,本书介绍如何使用PyTorch构建和训练神经网络,PyTorch是一个流行的开源机器学习框架。这本书包括:



第一章 是入门内容介绍,主要介绍了什么是 PyTorch为什么我们要选择 PyTorch,以及对本书内容层次的总体介绍,让刚刚入门的读者能够开门见山,大量的插图介绍了深度学习和Pytorch的概念。包括:

  • 深度学习模型自动地学习将输入和期望的输出与示例联系起来。像PyTorch这样的库允许您高效地构建和训练神经网络模型。


  • PyTorch最小化了认知开销,同时注重灵活性和速度。它还默认为立即执行操作。


  • TorchScript是一种可以从c++调用的预编译延迟执行模式。


  • 自2017年初发布PyTorch以来,深度学习工具生态系统得到了显著的巩固。


  • PyTorch提供了几个实用程序库来促进深度学习项目。



一个开发者正忙于定义工程特性并将它们提供给一个学习算法。这项任务的结果将和他设计的功能一样好。在图的右侧,通过深度学习,将原始数据反馈给一个自动提取层次特征的算法,该算法基于优化算法在任务上的性能。结果将与执行者推动算法实现其目标的能力一样好。

上图显示了一个标准的设置,它加载数据、训练一个模型,然后将该模型部署到生产环境中




第二章 则从张量这一深度学习的基本概念开始,介绍了张量的相关数学机制,以及深度学习是怎样处理数据,完成学习这一过程的。涵盖:
  • 神经网络将浮点表示法转换为其他浮点表示法,而开始和结束表示法通常是可由人类解释的。中间的表示法则不然。


  • 这些浮点表示存储在张量。


  • 张量是PyTorch多维数组和基本的数据结构。


  • PyTorch有张量的综合标准库创建和操纵和数学运算。


  • 张量可以序列化到磁盘和加载。


  • PyTorch张量操作可以执行的CPU和GPU上没有修改代码。


  • PyTorch使用拖曳下划线来表示一个函数运行就地一个张量(如Tensor.sqrt_)



深度神经网络学习如何将输入表示转换为输出表示


第三章 开始则通过张量和真实世界的数据进行联系,说明了如何使用张量表示表格、时序、图像和文本等数据。

将一维多通道数据转换为二维多通道数据。在这个过程中,我们需要将每个样本的日期和时间放在不同的坐标轴上


第四章 则进入机器学习机制的介绍,说明了深度学习的权重更新和反向传播原理。

约翰内斯·开普勒考虑了多个可能适合手头数据的候选模型,最终选定了一个椭圆。


利用autograd软件计算出模型的正向图和反向图


第五章 主要集中在使用 PyTorch 构建神经网络并拟合数据分布。有了前几章的理论基础,这一章会增加很多代码方面实践介绍。


人工神经元:包含在非线性函数中的线性变换


一个三层的神经网络架构



完整详细请官网下载或者便捷下载:请关注专知公众号(点击上方蓝色专知关注

  • 后台回复“PDL” 咨询获取Pytorch深度学习《Deep Learning with PyTorch》电子书pdf下载链接


-END-
专 · 知


专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程视频资料和与专家交流咨询
请加专知小助手微信(扫一扫如下二维码添加),获取专知VIP会员码,加入专知人工智能主题群,咨询技术商务合作~
点击“阅读原文”,使用专知,查看5000+AI主题知识资料
登录查看更多
40

相关内容

题目: Deep Learning with PyTorch

摘要: 《PyTorch 深度学习》旨在指导人们开始自己的 AI/机器学习开发之路,全书总共只有 5 个章节, PyTorch的深度学习提供了一个详细的、实践性的介绍,介绍了使用PyTorch构建和训练神经网络,PyTorch是一个流行的开源机器学习框架。这本书包括:

  • 深度学习与PyTorch图书馆简介

  • 预训练网络

  • 张量

  • 学习机制

  • 用神经网络拟合数据

第一章是入门内容介绍,主要介绍了什么是 PyTorch和为什么我们要选择 PyTorch,以及对本书内容层次的总体介绍,让刚刚入门的读者能够开门见山,大量的插图介绍了深度学习和Pytorch的概念。

第二章则从张量这一深度学习的基本概念开始,介绍了张量的相关数学机制,以及深度学习是怎样处理数据,完成学习这一过程的。

第三章开始则通过张量和真实世界的数据进行联系,说明了如何使用张量表示表格、时序、图像和文本等数据。

第四章则进入机器学习机制的介绍,说明了深度学习的权重更新和反向传播原理。

第五章主要集中在使用 PyTorch 构建神经网络并拟合数据分布。有了前几章的理论基础,这一章会增加很多代码方面实践介绍。

作者简介:

Eli Stevens过去15年在硅谷做软件工程师,过去7年在一家制造医疗设备软件的初创公司担任首席技术官。

Luca Antiga是位于意大利贝加莫的一家人工智能工程公司的联合创始人兼首席执行官,也是Pythorch的定期撰稿人。

成为VIP会员查看完整内容
0
237

【导读】自2015年11月TensorFlow第一个开源版本发布以来,它便迅速跻身于最激动人心的机器学习库的行列,并在科研、产品和教育等领域正在得到日益广泛的应用。这个库也在不断地得到改进、充实和优化。今天给大家推荐一本偏实战的教程《Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition》第二版,使用最新TensorFlow 2的官方高级API,帮助你直观地理解构建智能系统的概念和工具。从业者将学习一系列可以在工作中快速使用的技术。第1部分使用Scikit-Learn来介绍基本的机器学习任务,例如简单的线性回归。第2部分已经过重大更新,采用Keras和TensorFlow 2.0引导读者通过使用深度神经网络的更先进的机器学习方法。通过每章的练习来帮助你应用所学知识,你只需要编程经验即可开始使用。

Hands-On Machine Learning with Scikit-Learn and TensorFlow, 2nd Edition

▌本书简介

通过近年来一系列的突破,深度学习推动了整个机器学习领域的发展。现在,即使对这种技术几乎一无所知的程序员也可以使用简单、高效的工具来实现能够从数据中学习的程序。这本畅销书的最新版本使用了具体的例子、最少理论和可复现的Python框架,帮助您直观地理解用于构建人工智能系统的概念和工具。

您将学习一系列可以快速使用的技术。每一章都有练习来帮助你应用所学,你所需要的只是编程经验。所有代码都已更新为TensorFlow 2和最新版本的Scikit-Learn和其他库。

  • 探索Keras API, TensorFlow 2的官方高级API
  • 使用TensorFlow的数据API、分发策略API和TensorFlow扩展平台(TFX)对TensorFlow模型进行产品化
  • 部署在Google Cloud ML引擎或移动设备上使用TFLite
  • 学习新的和扩展的主题,包括聚类、异常检测、对象检测、语义分割、注意力机制、语言模型、GANs等

▌相关代码

https://github.com/ageron/handson-ml2

参考链接: https://www.oreilly.com/library/view/hands-on-machine-learning/9781492032632/

成为VIP会员查看完整内容
0
150

这本书的目标是介绍自动微分的基本算法,以及流行的数学和统计函数的自动微分规则的百科全书式的集合。

自动微分是一种通用的技术,用于将函数的计算值转换为可计算导数的值。导数计算只给用于计算函数值的每个操作增加一个常数的开销,因此可微函数与原始函数具有相同的复杂度阶数。在描述了自动微分的标准形式之后,这本书提供了一个百科全书收集的正切和伴随规则的前向模式和后向模式自动微分,涵盖了最广泛使用的标量,向量,矩阵和概率函数。附录包含正向模式、反向模式和混合模式自动区分的工作示例代码。

成为VIP会员查看完整内容
0
48

本文是由Terence Parr 和Jeremy Howard撰写的《深度学习的矩阵运算》论文。我们知道,深度学习是基于线性代数和微积分的,反向传播也离不开求导和矩阵运算,因此了解深度学习内部的数学原理也至关重要。

1.介绍

2.向量演算和偏导简介

3.矩阵演算

  • 雅可比定律

  • 多元微分

  • 向量

  • 链式法则

4.损失函数求导

5.矩阵演算参考

6.符号

7.资源链接

本文从简单函数求导到多元函数求偏导,再到矩阵的微积分运算,逐层深入,引导我们探索深度学习背后的学习规则与数学基础。本文试图解释理解深度神经网络的训练所需要的所有矩阵演算,本文适用于对神经网络基础有所了解的人,不过即使没有数学基础的同学也不要紧,作者提供了相关数学知识链接。在文末作者提供的参考部分,总结了这里讨论的所有关键矩阵演算规则和术语。

成为VIP会员查看完整内容
0
118
小贴士
相关资讯
PyTorch 官方推荐了一份 60 分钟的深度学习指南
技术最前线
9+阅读 · 2019年10月17日
PyTorch  深度学习新手入门指南
机器学习算法与Python学习
6+阅读 · 2019年9月16日
【文档】PyTorch中文版官方教程来了...
机器学习算法与Python学习
6+阅读 · 2019年9月8日
Github项目推荐 | PyTorch 中文手册 (pytorch handbook)
强推!《PyTorch中文手册》来了
新智元
28+阅读 · 2019年2月14日
(免费精品课程分享)-PyTorch深度学习实战
深度学习与NLP
9+阅读 · 2018年10月28日
教程 | PyTorch经验指南:技巧与陷阱
机器之心
8+阅读 · 2018年7月30日
深度学习开发必备开源框架
九章算法
5+阅读 · 2018年5月30日
手把手教 | 深度学习库PyTorch(附代码)
数据分析
5+阅读 · 2018年3月20日
相关论文
Label Aware Graph Convolutional Network -- Not All Edges Deserve Your Attention
Hao Chen,Lu Wang,Senzhang Wang,Dijun Luo,Wenbing Huang,Zhoujun Li
4+阅读 · 2019年7月10日
An Analysis of Object Embeddings for Image Retrieval
Bor-Chun Chen,Larry S. Davis,Ser-Nam Lim
4+阅读 · 2019年5月28日
Combination of Multiple Global Descriptors for Image Retrieval
HeeJae Jun,ByungSoo Ko,Youngjoon Kim,Insik Kim,Jongtack Kim
3+阅读 · 2019年4月18日
FocusNet: An attention-based Fully Convolutional Network for Medical Image Segmentation
Chaitanya Kaul,Suresh Manandhar,Nick Pears
4+阅读 · 2019年2月8日
Ofir Press,Noah A. Smith
3+阅读 · 2018年10月31日
Keyulu Xu,Weihua Hu,Jure Leskovec,Stefanie Jegelka
17+阅读 · 2018年10月1日
Ozan Oktay,Jo Schlemper,Loic Le Folgoc,Matthew Lee,Mattias Heinrich,Kazunari Misawa,Kensaku Mori,Steven McDonagh,Nils Y Hammerla,Bernhard Kainz,Ben Glocker,Daniel Rueckert
16+阅读 · 2018年5月20日
Qing Li,Qingyi Tao,Shafiq Joty,Jianfei Cai,Jiebo Luo
14+阅读 · 2018年3月20日
Jiaxuan You,Rex Ying,Xiang Ren,William L. Hamilton,Jure Leskovec
4+阅读 · 2018年2月24日
Michael Opitz,Georg Waltner,Horst Possegger,Horst Bischof
13+阅读 · 2018年1月15日
Top