核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
內容簡介
詳細網址:核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
目錄
★第一篇 PyTorch的核心
☆第1章:深度學習與PyTorch函式庫
1-1 深度學習的演變
1-2 將PyTorch應用到深度學習中
1-3 為什麼要使用PyTorch?
1-4 PyTorch如何協助深度學習專案的開發
1-5 軟硬體需求
☆第2章:預先訓練的模型
2-1 利用預先訓練的模型來辨識圖像中的物體
2-2 利用預先訓練的模型來生成『假』圖片
2-3 能描述場景的神經網路模型
2-4 Torch Hub
2-5 結論
☆第3章:介紹張量
3-1 浮點數的世界
3-2 張量:多維陣列
3-3 利用索引值操作張量
3-4 為張量命名
3-5 張量的元素型別
3-6 其他常用的張量功能
3-7 張量的儲存原理
3-8 大小 、偏移及步長
3-9 把張量移到GPU上
3-10 與NumPy的互通性
3-11 通用的張量(可適用於各種硬體)
3-12 將張量序列化(長期儲存)
3-13 結論
☆第4章:用張量表示現實中的資料
4-1 圖片資料
4-2 3D立體圖片資料
4-3 表格資料
4-4 時間序列資料
4-5 表示文字資料
4-6 結論
☆第5章:學習的機制
5-1 學習的流程
5-2 學習就是在估算參數
5-3 以降低損失為目標
5-4 梯度下降演算法
5-5 用PyTorch的autograd進行反向傳播
5-6 結論
☆第6章:使用神經網路來擬合資料
6-1 神經元
6-2 PyTorch的nn模組
6-3 進入正題:神經網路
6-4 結論
☆第7章:從圖片中學習
7-1 由小型圖片組成的資料集
7-2 區分鳥和飛機
7-3 結論
☆第8章:卷積神經網路
8-1 關於卷積
8-2 卷積的實際應用
8-3 建立nn.Module的子類別
8-4 訓練卷積網路
8-5 模型設計的進階技巧
8-6 結論
★第2篇 從現實世界中的圖片學習:肺部腫瘤偵測專案
☆第9章:利用PyTorch對抗癌症
9-1 應用實例的介紹
9-2 為大型專案做準備
9-3 CT掃描到底是什麼?
9-4 專案概述:肺部腫瘤偵測器
9-5 結論
☆第10章:匯入原始資料並整合為資料集
10-1 原始CT資料
10-2 分析LUNA的標註資料
10-3 匯入CT掃描資料
10-4 定位結節
10-5 簡單的資料集實作
10-6 結論
☆第11章:訓練模型分辨結節的真假
11-1 最基礎的模型與訓練迴圈
11-2 程式的進入點
11-3 訓練前的設定與初始化
11-4 我們的首個神經網路
11-5 模型的訓練與驗證
11-6 輸出表現評估資料
11-7 執行訓練程式
11-8 評估模型表現:得到99-7%的分類準確率就代表結束了嗎?
11-9 使用TensorBoard畫出訓練評估指標
11-10 為什麼模型沒有學會偵測結節?
11-11 結論
☆第12章:利用評估指標和資料擴增來改善訓練成效
12-1 模型改善的大方向
12-2 偽陽性與偽陰性
12-3 陽性與陰性的視覺化描述
12-4 理想的資料集長什麼樣子?
12-5 過度配適
12-6 利用資料擴增來防止過度配適
12-7 結論
☆第13章:利用『分割』找出疑似結節的組織
13-1 在專案中加入第二個模型
13-2 不同類型的資料分割
13-3 語義分割:像素層級的分類
13-4 更改模型以執行資料分割
13-5 更改資料集以執行資料分割
13-6 更改訓練程式以執行資料分割
13-7 最終結果
13-8 結論
☆第14章:端到端結節偵測(與未來方向)
14-1 迎向終點線
14-2 保持驗證資料集的獨立性
14-3 連接『分割模型』與『分類模型』
14-4 量化驗證
14-5 預測惡性結節
14-6 利用模型進行診斷
14-7 補充資源與資料
14-8 結論
詳細網址:核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
詳細資料
- ISBN:9789863126737
- 叢書系列:Learning by doing 從做中學系列
- 規格:平裝 / 656頁 / 17 x 23 x 3.2 cm / 普通級 / 部份全彩 / 初版
- 出版地:台灣
詳細網址:核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
作者介紹
詳細網址:核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
詳細網址:核心開發者親授!PyTorch深度學習攻略~好書精選[悅讀推薦]博客來 金石堂 好冊
資料來源:博客來,圖片來源:博客來
留言列表