2019年新书-《PyTorch实战-一个解决问题的方法》精品教材分享

2019 年 2 月 9 日 深度学习与NLP
2019年新书-《PyTorch实战-一个解决问题的方法》精品教材分享

    深度学习目前最流行的框架是Tensorflow和PyTorch,市面上讲解Tensorflow的实战教材很多,但关于PyTorch的书却很少。今天给大家推荐一本2019年最新出炉的新书《PyTorch实战 - 一个解决问题的方法》。本书内容很新,由浅入深,全面讲解了如何基于PyTorch框架搭建深度学习模型,进行模型部署的方方面面,是一本不可多得的PyTorch入门书籍。

    

    文末附本书下载方式。

     

本书介绍

    人工智能产品和解决方案的开发最近已经成为一种常态;因此,对基于图论的计算框架的需求正在上升。当建模框架是动态的、灵活的,并且能够适应其他框架时,让深度学习模型在实际应用中工作是可能的。

    PyTorch最近加入了图形计算工具/编程语言联盟。针对以前框架的局限性,PyTorch承诺在部署深度学习模型以及使用卷积神经网络、递归神经网络、LSTMs和深度神经网络的组合创建高级模型方面提供更好的用户体验。PyTorch是由Facebook的人工智能研究部门创建的,该部门旨在使模型开发过程简单、直接、动态,这样开发人员就不必担心在编译和执行模型之前声明对象。它基于Torch框架,是Python的扩展。

    这本书面向数据科学家、自然语言处理工程师、人工智能解决方案开发人员、从事图形计算框架的现有从业人员以及图论研究人员。这本书主要讲解张量(Tensor)的基础知识、计算、执行基于算术的运算、矩阵代数和使用PyTorch框架的基于统计分布式运算。

    第3章和第4章提供了关于神经网络基础知识的详细描述。探索先进的神经网络,如卷积神经网络、递归神经网络和LSTMs。读者将能够使用PyTorch函数实现这些模型。第5章和第6章主要讲解模型的微调、超参数调整以及生产环境中如何对现有PyTorch模型进行改进。读者将学习如何选择超级参数来微调模型。第7章主要讲解自然语言处理相关的应用。深度学习模型及其在自然语言处理和人工智能中的应用是该行业最苛刻的技能之一。读者将能够在深度学习模型中对PyTorch实现的执行和性能进行测试,以执行和处理自然语言。能够将PyTorch与其他基于图形计算的深度学习编程工具进行比较。


目录

教材下载方式

1、扫描下方二维码付款:

 2、公众号中回复付款成功截图 + 关键词“pytorch19”,获取下载地址。

 注:人数较多,回复可能会有延迟,(一定记得回复关键词)请耐心等待,肯定会回复的。

扫描下方二维码可以订阅哦!

DeepLearning_NLP

深度学习与NLP

       商务合作请联系微信号:lqfarmerlq

登录查看更多
9

相关内容

简介: Python作为目前受欢迎的语言之一,越来越多的人成为Pythoner,这本书不仅仅是一本Python说明书,该书基于Python3.7。 Python中的经典计算机科学问题可以使用经过时间验证的方案,练习和算法来提高您的CS解决问题的能力。看起来很新或独特的计算机科学问题通常源于经典算法,编码技术和工程原理。并且经典方法仍然是解决它们的最佳方法!通过对本书的学习,将解决许多编码难题,从简单的任务(如二进制搜索算法)到使用k-means进行数据聚类。该书主要包括:

  • 搜索算法
  • 图的常用技术
  • 神经网络
  • 遗传算法
  • 对抗搜索
  • 使用类型提示
  • 涵盖Python 3.7

目录:

  • 简介
  • 小问题
  • 搜索问题
  • 约束满足问题
  • 图问题
  • 遗传算法
  • K均值聚类
  • 简单的神经网络
  • 对抗搜索
  • 其他问题

作者介绍: David Kopec是位于佛蒙特州伯灵顿的尚普兰学院的计算机科学与创新助理教授。他是一个有经验的软件开发者.

成为VIP会员查看完整内容
0
97

《深度学习框架PyTorch:入门与实践》从多维数组Tensor开始,循序渐进地带领读者了解PyTorch各方面的基础知识。结合基础知识和前沿研究,带领读者从零开始完成几个经典有趣的深度学习小项目,包括GAN生成动漫头像、AI滤镜、AI写诗等。《深度学习框架PyTorch:入门与实践》没有简单机械地介绍各个函数接口的使用,而是尝试分门别类、循序渐进地向读者介绍PyTorch的知识,希望读者对PyTorch有一个完整的认识。本书内容由浅入深,无论是深度学习的初学者,还是头次接触PyTorch的研究人员,都能在学习本书的过程中快速掌握PyTorch。即使是有一定PyTorch使用经验的用户,也能够从本书中获得对PyTorch不一样的理解。

代码链接:
https://github.com/chenyuntc/PyTorch-book

成为VIP会员查看完整内容
0
68
小贴士
相关资讯
相关论文
Zonghan Wu,Shirui Pan,Guodong Long,Jing Jiang,Xiaojun Chang,Chengqi Zhang
22+阅读 · 2020年5月24日
Bryan Wilder,Eric Ewing,Bistra Dilkina,Milind Tambe
4+阅读 · 2019年5月31日
A Memory-Network Based Solution for Multivariate Time-Series Forecasting
Yen-Yu Chang,Fan-Yun Sun,Yueh-Hua Wu,Shou-De Lin
7+阅读 · 2018年9月6日
Antoine J. -P. Tixier
10+阅读 · 2018年8月30日
Wei Xue,Tao Li
12+阅读 · 2018年5月18日
Mohammadhosein Hasanbeig,Alessandro Abate,Daniel Kroening
5+阅读 · 2018年4月22日
Yuxiang Wu,Baotian Hu
6+阅读 · 2018年4月19日
Shikun Liu,Edward Johns,Andrew J. Davison
12+阅读 · 2018年3月28日
Lijun Li,Boqing Gong
5+阅读 · 2018年3月21日
Top