登入
|
註冊
|
會員中心
|
結帳
|
培訓課程
魔法弟子
|
自資出版
|
電子書
|
客服中心
|
智慧型立体會員
書名
出版社
作者
isbn
編號
5050魔法眾籌
|
NG書城
|
國際級品牌課程
|
優惠通知
|
霹靂英雄音樂精選
|
App程式設計入門:iPhone、iPad(附光碟)
.
全格局使用PyTor
.
全格局使用PyTor
.
別再mnist了:跨
文學小說
文學
|
小說
商管創投
財經投資
|
行銷企管
人文藝坊
宗教、哲學
社會、人文、史地
藝術、美學
|
電影戲劇
勵志養生
醫療、保健
料理、生活百科
教育、心理、勵志
進修學習
電腦與網路
|
語言工具
雜誌、期刊
|
軍政、法律
參考、考試、教科用書
科學工程
科學、自然
|
工業、工程
家庭親子
家庭、親子、人際
青少年、童書
玩樂天地
旅遊、地圖
|
休閒娛樂
漫畫、插圖
|
限制級
全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇
作者:
李金洪
分類:
電腦與網路
/
程式語言
出版社:
深智數位
出版日期:2024/10/23
ISBN:9786267569078
書籍編號:kk0590818
頁數:576
定價:
880
元
優惠價:
79
折
695
元
書價若有異動,以出版社實際定價為準
訂購後立即為您進貨
訂購後立即為您進貨:目前無庫存量,讀者下訂後,開始進入調書程序,一般天數約為2-10工作日(不含例假日)。
團購數最低為 20 本以上
評價數:
(請將滑鼠移至星星處進行評價)
目前平均評價:
文字連結
複製語法
全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇
圖片連結
複製語法
分
享
內容簡介
作者介紹
書籍目錄
同類推薦
全格局使用PyTorch - 深度學習和圖神經網路 - 基礎篇 商品簡介 深度學習擅長處理結構規則的多維資料(歐氏空間),但現實生活中,很多不規則的資料如:社群、電子商務、交通領域,多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構(或稱拓撲結構資料),這些資料稱為「非歐氏空間資料」,並不適合用深度學習的模型去分析。 圖神經網路(Graph Neural Networks, GNN)是為了處理結構不規則資料而產生的,主要利用圖結構的資料,透過機器學習的方法進行擬合、預測等。 〇 在結構化場景中,GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。 〇 在非結構化領域,GNN 可以用在圖型和文字等領域。 〇 在其他領域,還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。 市面上充滿 NN 的書,但卻沒有一本完整說明 GNN,倘若不快點學這個新一代的神經網路,你會用的普通神經網路馬上就會落伍了!非歐氏空間才是最貼近人類生活的世界,而要真正掌握非歐氏空間的問題解決,GNN 是你一定要學的技術,就由本書一步步帶領你完全攻略! 〇 使用 Graph 概念取代傳統的歐氏空間神經元 〇 最好用的 PyTorch + Anaconda + Jupyter 〇 從基礎的 CNN、RNN、GAN 開始上手神經網路 〇 了解基礎的啟動函數、損失函數、L1/L2、交叉熵、Softmax 等概念 〇 NLP 使用神經網路處理 + 多頭注意力機制 〇 Few-shot/Zero-shot 的神經網路設計 〇 空間域的使用,使用 DGL、Networkx 〇 利用 GNN 進行論文分類 本書特色 ∼GNN 最強入門參考書∼ ● 以初學者角度從零開始講解,消除讀者學習過程跳躍感 ● 理論和程式結合,便於讀者學以致用 ● 知識系統,逐層遞進 ● 內容貼近技術趨勢 ● 圖文結合,化繁為簡 ● 在基礎原理之上,注重通用規律
作者簡介 李金洪 精通 C、Python、Java 語言,擅長神經網路、演算、協定分析、移動互聯網安全架構等技術,先後擔任過 CAD 演算工程師、架構師、專案經理、部門經理等職位。參與過深度學習領域某移動互聯網後臺的 OCR 項目,某娛樂節目機器人的語音辨識、聲紋識別專案,金融領域的若干分類專案。
目錄 【第一篇 入門 – PyTorch 基礎】 第 1 章 快速了解人工智慧與 PyTorch 1.1 圖神經網路與深度學習 1.2 PyTorch 是做什麼的 1.3 PyTorch 的特點 1.4 PyTorch 與 TensorFlow 各有所長 1.5 如何使用本書學好深度學習 第 2 章 架設開發環境 2.1 下載及安裝 Anaconda 2.2 安裝 PyTorch 2.3 熟悉 Anaconda 3 的開發工具 2.4 測試開發環境 第 3 章 PyTorch 基本開發步驟 -- 用邏輯回歸擬合二維資料 3.1 實例 1:從一組看似混亂的資料中找出規律 3.2 模型是如何訓練出來的 3.3 複習 第 4 章 快速上手 PyTorch 4.1 神經網路中的幾個基底資料型態 4.2 張量類別的基 4.3 張量與 NumPy 4.4 在 CPU 和 GPU 控制的記憶體中定義張量 4.5 生成隨機值張 4.6 張量間的數學運算 4.7 張量間的資料操作 4.8 Variable 類型與自動微分模組 4.9 定義模型結構的步驟與方法 4.10 模型的網路層 第 5 章 神經網路的基本原理與實現 5.1 了解深度學習中的神經網路與神經元 5.2 深度學習中的基礎神經網路模型 5.3 什麼是全連接神經網路 5.4 啟動函數--加入非線性因素,彌補線性模型缺陷 5.5 啟動函數複習 5.6 訓練模型的步驟與方法 5.7 神經網路模組 (nn) 中的損失函數 5.8 Softmax 演算法 -- 處理分類問題 5.9 最佳化器模組 5.10 學習率衰減 -- 在訓練的速度與精度之間找到平衡 5.11 實例 4:預測鐵達尼號船上的生存乘客 【第二篇 基礎 -- 神經網路的監督訓練與無監督訓練】 第 6 章 實例 5:辨識黑白圖中的服裝圖案 6.1 熟悉樣本:了解 Fashion-MNIST 資料集 6.2 製作批次資料集 6.3 建構並訓練模型 6.4 載入模型,並用其進行預測 6.5 評估模型 6.6 擴充:多顯示卡平行訓練 第 7 章 監督學習中的神經網路 7.1 從視覺的角度了解卷積神經網路 7.2 卷積神經網路的結構 7.3 卷積神經網路的實現 7.4 深層卷積神經網路 7.5 循環神經網路結構 7.6 常見的循環神經網路單元及結構 7.7 實例 11:用循環神經網路訓練語言模型 7.8 過擬合問題及最佳化技巧 7.9 神經網路中的注意力機制 7.10 實例 18:利用注意力循環神經網路對圖片分類 第 8 章 無監督學習中的神經網路 8.1 快速了解資訊熵 8.2 通用的無監督模型 -- 自編碼神經網路與對抗神經網路 8.3 自編碼神經網路 8.4 實例 19:用變分自編碼神經網路模型生成模擬資料 8.5 實例 20:用條件變分自編碼神經網路生成可控模擬資料 8.6 對抗神經網路 8.7 實例 21:用 WGAN-gp 模型生成模擬資料 8.8 實例 22:用條件 GAN 生成可控模擬資料 8.9 實例 23:實現帶有 W 散度的 GAN -- WGAN-div 模型 8.10 散度在神經網路中的應用 8.11 實例 25:用最大化深度相互資訊模型執行圖片搜索器 第 9 章 快速了解圖神經網路 -- 少量樣本也可以訓練模型 9.1 圖神經網路的相關基礎知識 9.2 矩陣的基礎 9.3 鄰接矩陣的幾種操作 9.4 實例 26:用圖卷積神經網路為論文分類 9.5 圖卷積神經網路 9.6 擴充實例:用 Multi-sample Dropout 最佳化模型的訓練速度 9.7 從圖神經網路的角度看待深度學習 9.8 圖神經網路使用拉普拉斯矩陣的原因 第 10 章 基於空間域的圖神經網路實現 10.1 重新認識圖卷積神經網路 10.2 實例 27:用圖注意力神經網路為論文分類 10.3 圖神經網路常用函數庫 – DGL 函數庫 10.4 DGLGraph 圖的基本操作 10.5 實例 28:用帶有殘差結構的多層 GAT 模型實現論文分類 10.6 圖卷積模型的缺陷 10.7 實例 29:用簡化圖卷積模型實現論文分類 10.8 實例 30:用圖濾波神經網路模型實現論文分類 10.9 實例 31:用深度圖相互資訊模型實現論文分類 10.10 實例 32:用圖同構網路模型實現論文分類 10.11 實例 33:用APPNP模型實現論文分類 10.12 實例 34:用JKNet模型實現論文分類 10.13 複習
開源Web建置強大標
最新AI開發範式-
多Agent智慧體:
AI圖片增強 - 影
AI時代Math元年
Inkspace向量
AI職場超神助手:C
無瑕的程式碼 軟體工
AI音效、語音與音樂
翻轉職涯!雲端/De
為了保障您的權益,新絲路網路書店所購買的商品均享有到貨七天的鑑賞期(含例假日)。退回之商品必須於鑑賞期內寄回(以郵戳或收執聯為憑),且商品必須是全新狀態與完整包裝(商品、附件、內外包裝、隨貨文件、贈品等),否則恕不接受退貨。