- 參考文獻 更新時間：2023-09-26 16:08:34
- 10．PySpark
- 9．WordCloud
- 8．Jieba
- 7．TensorForce
- 6．TensorLayer
- 5．TensorFlow
- 4．XGBoost
- 3．Theano
- 2．Keras
- 1．Sklearn
- A.3 機器學習類包
- 3．Seaborn
- 2．Pyecharts
- 1．Matplotlib
- A.2 數據可視化類包
- 4．Statismodels
- 3．SciPy
- 2．NumPy
- 1．Pandas
- A.1 數據分析類包
- 附錄A Python常用第三方工具包簡介
- 10.5 練習題
- 10.4.3 模型結果輸出
- 10.4.2 訓練與測試模型
- 10.4.1 讀取手寫數據集
- 10.4 動手練習：手寫數字識別
- 10.3.3 主要應用前景介紹
- 10.3.2 聯邦學習算法優化
- 10.3.1 算法重要研究進展
- 10.3 聯邦學習研究現狀
- 10.2.3 聯邦遷移學習及其過程
- 10.2.2 縱向聯邦學習及其過程
- 10.2.1 橫向聯邦學習及其過程
- 10.2 聯邦學習主要類型
- 10.1.2 聯邦學習基本概念
- 10.1.1 聯邦學習提出背景
- 10.1 聯邦學習算法簡介
- 第10章 PyTorch聯邦學習
- 9.5 練習題
- 9.4.2 動手練習：Netron建模可視化
- 9.4.1 Netron簡介
- 9.4 Netron
- 9.3.2 動手練習：Pytorchviz建模可視化
- 9.3.1 Pytorchviz簡介
- 9.3 Pytorchviz
- 9.2.3 動手練習：可視化模型參數
- 9.2.2 TensorBoard基礎操作
- 9.2.1 TensorBoard簡介
- 9.2 TensorBoard
- 9.1.3 動手練習：識別手寫數字
- 9.1.2 Visdom可視化操作
- 9.1.1 Visdom簡介
- 9.1 Visdom
- 第9章 PyTorch模型可視化
- 8.5 練習題
- 8.4 動手練習：音頻相似度分析
- 8.3.5 變換前后波形比較
- 8.3.4 波形Mu-Law編碼
- 8.3.3 繪制波形頻譜圖
- 8.3.2 波形變換的類型
- 8.3.1 加載音頻數據源
- 8.3 PyTorch音頻建模
- 8.2.5 離散余弦轉換
- 8.2.4 能量譜處理
- 8.2.3 傅里葉變換
- 8.2.2 音頻預處理
- 8.2.1 特征提取流程
- 8.2 音頻特征提取步驟
- 8.1.5 場景感知及其應用
- 8.1.4 音頻監控及應用
- 8.1.3 音頻識別及應用
- 8.1.2 音頻摘要及應用
- 8.1.1 音頻處理技術
- 8.1 音頻處理及應用
- 第8章 PyTorch音頻建模
- 7.5 練習題
- 7.4.4 應用網絡模型
- 7.4.3 訓練網絡模型
- 7.4.2 搭建網絡模型
- 7.4.1 加載數據集
- 7.4 動手練習：Attention模型實現文本自動分類
- 7.3.4 應用網絡模型
- 7.3.3 訓練網絡模型
- 7.3.2 搭建網絡模型
- 7.3.1 加載數據集
- 7.3 動手練習：Seq2Seq實現機器翻譯
- 7.2.4 應用網絡模型
- 7.2.3 訓練網絡模型
- 7.2.2 搭建網絡模型
- 7.2.1 加載數據集
- 7.2 動手練習：Word2Vec提取相似文本
- 7.1.3 Attention模型
- 7.1.2 Seq2Seq模型
- 7.1.1 Word2Vec模型
- 7.1 自然語言處理的幾個模型
- 第7章 PyTorch文本建模
- 6.5 練習題
- 6.4.4 應用網絡模型
- 6.4.3 訓練網絡模型
- 6.4.2 搭建網絡模型
- 6.4.1 加載數據集
- 6.4 動手練習：搭建圖像自動分割模型
- 6.3.4 圖像識別模型的判斷
- 6.3.3 預測圖像數據
- 6.3.2 搭建與訓練網絡
- 6.3.1 加載數據集
- 6.3 動手練習：搭建圖像自動識別模型
- 6.2.4 應用網絡模型
- 6.2.3 訓練網絡模型
- 6.2.2 搭建網絡模型
- 6.2.1 加載數據集
- 6.2 動手練習：創建圖像自動分類器
- 6.1.3 圖像分割技術
- 6.1.2 圖像識別技術
- 6.1.1 圖像分類技術
- 6.1 圖像建模概述
- 第6章 PyTorch圖像建模
- 5.5 練習題
- 5.4.3 動手練習：PyTorch實現交叉驗證
- 5.4.2 模型調優方法
- 5.4.1 模型評估方法
- 5.4 模型評估與調優
- 5.3.3 動手練習：地區競爭力指標降維
- 5.3.2 主成分分析建模
- 5.3.1 主成分分析簡介
- 5.3 主成分分析及案例
- 5.2.3 動手練習：植物花卉特征聚類
- 5.2.2 聚類分析建模
- 5.2.1 聚類分析簡介
- 5.2 聚類分析及案例
- 5.1.3 動手練習：住房價格回歸預測
- 5.1.2 回歸分析建模
- 5.1.1 回歸分析簡介
- 5.1 回歸分析及案例
- 第5章 PyTorch數據建模
- 4.5 練習題
- 4.4 動手練習：股票成交量趨勢預測
- 4.3.3 門控循環單元
- 4.3.2 長短期記憶網絡
- 4.3.1 循環神經網絡
- 4.3 幾種常見的循環神經網絡
- 4.2.3 卷積神經網絡的類型
- 4.2.2 卷積神經網絡的結構
- 4.2.1 卷積神經網絡的歷史
- 4.2 卷積神經網絡
- 4.1.3 前饋神經網絡
- 4.1.2 多層感知器
- 4.1.1 神經元模型
- 4.1 神經網絡概述
- 第4章 PyTorch深度神經網絡
- 3.6 練習題
- 3.5 動手練習：PyTorch優化器比較
- 3.4.6 Adam算法
- 3.4.5 RMSProp算法
- 3.4.4 AdaGrad算法
- 3.4.3 標準動量優化算法
- 3.4.2 隨機梯度下降算法
- 3.4.1 梯度及梯度下降
- 3.4 優化器
- 3.3.6 其他損失函數
- 3.3.5 余弦相似度損失
- 3.3.4 交叉熵損失函數
- 3.3.3 均方誤差損失函數
- 3.3.2 L1范數損失函數
- 3.3.1 損失函數及選取
- 3.3 損失函數
- 3.2.6 其他類型的激活函數
- 3.2.5 Leakly ReLU激活函數
- 3.2.4 ReLU激活函數
- 3.2.3 Tanh激活函數
- 3.2.2 Sigmoid激活函數
- 3.2.1 激活函數及必要性
- 3.2 激活函數
- 3.1.3 概率分布創建張量
- 3.1.2 數組直接創建張量
- 3.1.1 張量及其數據類型
- 3.1 張量及其創建
- 第3章 PyTorch的基本概念
- 2.6 練習題
- 2.5 動手練習：擬合余弦函數曲線
- 2.4.2 PyTorch矩陣運算
- 2.4.1 矩陣及其運算
- 2.4 矩陣基礎
- 2.3.2 PyTorch統計函數
- 2.3.1 數理統計及其指標
- 2.3 數理統計基礎
- 2.2.2 PyTorch自動微分
- 2.2.1 微分及其公式
- 2.2 微分基礎
- 2.1.2 PyTorch中的主要函數
- 2.1.1 函數基礎知識
- 2.1 PyTorch中的函數
- 第2章 PyTorch與數學基礎
- 1.5 練習題
- 1.4 動手練習：每日最高溫度預測
- 1.3 PyTorch應用場景
- 1.2.3 安裝PyTorch 1.10
- 1.2.2 安裝Jupyter Lab
- 1.2.1 安裝Python 3.10
- 1.2 搭建開發環境
- 1.1.3 深度學習應用領域
- 1.1.2 深度學習框架比較
- 1.1.1 深度學習發展歷史
- 1.1 深度學習概述
- 第1章 深度學習環境搭建
- 讀者對象
- 配書資源
- 本書的特色
- 本書內容
- 前言
- 作者簡介
- 內容簡介
- 版權信息
- 封面
- 封面
- 版權信息
- 內容簡介
- 作者簡介
- 前言
- 本書內容
- 本書的特色
- 配書資源
- 讀者對象
- 第1章 深度學習環境搭建
- 1.1 深度學習概述
- 1.1.1 深度學習發展歷史
- 1.1.2 深度學習框架比較
- 1.1.3 深度學習應用領域
- 1.2 搭建開發環境
- 1.2.1 安裝Python 3.10
- 1.2.2 安裝Jupyter Lab
- 1.2.3 安裝PyTorch 1.10
- 1.3 PyTorch應用場景
- 1.4 動手練習：每日最高溫度預測
- 1.5 練習題
- 第2章 PyTorch與數學基礎
- 2.1 PyTorch中的函數
- 2.1.1 函數基礎知識
- 2.1.2 PyTorch中的主要函數
- 2.2 微分基礎
- 2.2.1 微分及其公式
- 2.2.2 PyTorch自動微分
- 2.3 數理統計基礎
- 2.3.1 數理統計及其指標
- 2.3.2 PyTorch統計函數
- 2.4 矩陣基礎
- 2.4.1 矩陣及其運算
- 2.4.2 PyTorch矩陣運算
- 2.5 動手練習：擬合余弦函數曲線
- 2.6 練習題
- 第3章 PyTorch的基本概念
- 3.1 張量及其創建
- 3.1.1 張量及其數據類型
- 3.1.2 數組直接創建張量
- 3.1.3 概率分布創建張量
- 3.2 激活函數
- 3.2.1 激活函數及必要性
- 3.2.2 Sigmoid激活函數
- 3.2.3 Tanh激活函數
- 3.2.4 ReLU激活函數
- 3.2.5 Leakly ReLU激活函數
- 3.2.6 其他類型的激活函數
- 3.3 損失函數
- 3.3.1 損失函數及選取
- 3.3.2 L1范數損失函數
- 3.3.3 均方誤差損失函數
- 3.3.4 交叉熵損失函數
- 3.3.5 余弦相似度損失
- 3.3.6 其他損失函數
- 3.4 優化器
- 3.4.1 梯度及梯度下降
- 3.4.2 隨機梯度下降算法
- 3.4.3 標準動量優化算法
- 3.4.4 AdaGrad算法
- 3.4.5 RMSProp算法
- 3.4.6 Adam算法
- 3.5 動手練習：PyTorch優化器比較
- 3.6 練習題
- 第4章 PyTorch深度神經網絡
- 4.1 神經網絡概述
- 4.1.1 神經元模型
- 4.1.2 多層感知器
- 4.1.3 前饋神經網絡
- 4.2 卷積神經網絡
- 4.2.1 卷積神經網絡的歷史
- 4.2.2 卷積神經網絡的結構
- 4.2.3 卷積神經網絡的類型
- 4.3 幾種常見的循環神經網絡
- 4.3.1 循環神經網絡
- 4.3.2 長短期記憶網絡
- 4.3.3 門控循環單元
- 4.4 動手練習：股票成交量趨勢預測
- 4.5 練習題
- 第5章 PyTorch數據建模
- 5.1 回歸分析及案例
- 5.1.1 回歸分析簡介
- 5.1.2 回歸分析建模
- 5.1.3 動手練習：住房價格回歸預測
- 5.2 聚類分析及案例
- 5.2.1 聚類分析簡介
- 5.2.2 聚類分析建模
- 5.2.3 動手練習：植物花卉特征聚類
- 5.3 主成分分析及案例
- 5.3.1 主成分分析簡介
- 5.3.2 主成分分析建模
- 5.3.3 動手練習：地區競爭力指標降維
- 5.4 模型評估與調優
- 5.4.1 模型評估方法
- 5.4.2 模型調優方法
- 5.4.3 動手練習：PyTorch實現交叉驗證
- 5.5 練習題
- 第6章 PyTorch圖像建模
- 6.1 圖像建模概述
- 6.1.1 圖像分類技術
- 6.1.2 圖像識別技術
- 6.1.3 圖像分割技術
- 6.2 動手練習：創建圖像自動分類器
- 6.2.1 加載數據集
- 6.2.2 搭建網絡模型
- 6.2.3 訓練網絡模型
- 6.2.4 應用網絡模型
- 6.3 動手練習：搭建圖像自動識別模型
- 6.3.1 加載數據集
- 6.3.2 搭建與訓練網絡
- 6.3.3 預測圖像數據
- 6.3.4 圖像識別模型的判斷
- 6.4 動手練習：搭建圖像自動分割模型
- 6.4.1 加載數據集
- 6.4.2 搭建網絡模型
- 6.4.3 訓練網絡模型
- 6.4.4 應用網絡模型
- 6.5 練習題
- 第7章 PyTorch文本建模
- 7.1 自然語言處理的幾個模型
- 7.1.1 Word2Vec模型
- 7.1.2 Seq2Seq模型
- 7.1.3 Attention模型
- 7.2 動手練習：Word2Vec提取相似文本
- 7.2.1 加載數據集
- 7.2.2 搭建網絡模型
- 7.2.3 訓練網絡模型
- 7.2.4 應用網絡模型
- 7.3 動手練習：Seq2Seq實現機器翻譯
- 7.3.1 加載數據集
- 7.3.2 搭建網絡模型
- 7.3.3 訓練網絡模型
- 7.3.4 應用網絡模型
- 7.4 動手練習：Attention模型實現文本自動分類
- 7.4.1 加載數據集
- 7.4.2 搭建網絡模型
- 7.4.3 訓練網絡模型
- 7.4.4 應用網絡模型
- 7.5 練習題
- 第8章 PyTorch音頻建模
- 8.1 音頻處理及應用
- 8.1.1 音頻處理技術
- 8.1.2 音頻摘要及應用
- 8.1.3 音頻識別及應用
- 8.1.4 音頻監控及應用
- 8.1.5 場景感知及其應用
- 8.2 音頻特征提取步驟
- 8.2.1 特征提取流程
- 8.2.2 音頻預處理
- 8.2.3 傅里葉變換
- 8.2.4 能量譜處理
- 8.2.5 離散余弦轉換
- 8.3 PyTorch音頻建模
- 8.3.1 加載音頻數據源
- 8.3.2 波形變換的類型
- 8.3.3 繪制波形頻譜圖
- 8.3.4 波形Mu-Law編碼
- 8.3.5 變換前后波形比較
- 8.4 動手練習：音頻相似度分析
- 8.5 練習題
- 第9章 PyTorch模型可視化
- 9.1 Visdom
- 9.1.1 Visdom簡介
- 9.1.2 Visdom可視化操作
- 9.1.3 動手練習：識別手寫數字
- 9.2 TensorBoard
- 9.2.1 TensorBoard簡介
- 9.2.2 TensorBoard基礎操作
- 9.2.3 動手練習：可視化模型參數
- 9.3 Pytorchviz
- 9.3.1 Pytorchviz簡介
- 9.3.2 動手練習：Pytorchviz建模可視化
- 9.4 Netron
- 9.4.1 Netron簡介
- 9.4.2 動手練習：Netron建模可視化
- 9.5 練習題
- 第10章 PyTorch聯邦學習
- 10.1 聯邦學習算法簡介
- 10.1.1 聯邦學習提出背景
- 10.1.2 聯邦學習基本概念
- 10.2 聯邦學習主要類型
- 10.2.1 橫向聯邦學習及其過程
- 10.2.2 縱向聯邦學習及其過程
- 10.2.3 聯邦遷移學習及其過程
- 10.3 聯邦學習研究現狀
- 10.3.1 算法重要研究進展
- 10.3.2 聯邦學習算法優化
- 10.3.3 主要應用前景介紹
- 10.4 動手練習：手寫數字識別
- 10.4.1 讀取手寫數據集
- 10.4.2 訓練與測試模型
- 10.4.3 模型結果輸出
- 10.5 練習題
- 附錄A Python常用第三方工具包簡介
- A.1 數據分析類包
- 1．Pandas
- 2．NumPy
- 3．SciPy
- 4．Statismodels
- A.2 數據可視化類包
- 1．Matplotlib
- 2．Pyecharts
- 3．Seaborn
- A.3 機器學習類包
- 1．Sklearn
- 2．Keras
- 3．Theano
- 4．XGBoost
- 5．TensorFlow
- 6．TensorLayer
- 7．TensorForce
- 8．Jieba
- 9．WordCloud
- 10．PySpark
- 參考文獻 更新時間：2023-09-26 16:08:34
