深度学习为世界上的智能系统 (比如 Google Voice,Siri 和 Alexa) 提供了动力. 随着硬件 (如 GPU) 和软件框架 (如 PyTorch,keras,TensorFlow 和 CNTK) 的进步以及大数据的可用性, 人们在文本, 视觉和分析等领域更容易实施相应问题的解决方案.
使用 PyTorch 轻松开发深度学习应用程序推荐学习《Pytorch 深度学习》.《Pytorch 深度学习》对当今前沿的深度学习库 PyTorch 进行了讲解. 凭借其易学习性, 高效性以及与 Python 开发的天然亲近性, PyTorch 获得了深度学习研究人员以及数据科学家们的关注.
《Pytorch 深度学习》中文 PDF,212 页, 带目录, 文字可复制; 英文 PDF,250 页, 带目录, 文字可复制; 配套源代码.
下载: https://pan.baidu.com/s/1MGw_g3EYdZtQMTQK6roNHw
提取码: ky3j
从 PyTorch 的安装讲起, 然后介绍了为现代深度学习提供驱动力的多个基础模块, 还介绍了使用 CNN,RNN,LSTM 以及其他网络模型解决问题的方法. 对多个先进的深度学习架构的概念 (比如 ResNet,DenseNet,Inception 和 Seq2Seq) 进行了阐述, 但没有深挖其背后的数学细节. 与 GPU 计算相关的知识, 使用 PyTorch 训练模型的方法, 以及用来生成文本和图像的复杂神经网络(如生成网络), 也有所涵盖.
使用文本数据分词, 向量化, 通过构建情感分类器训练词向量, 下载 IMDB 数据并对文本分词, 构建词表生成向量的批数据, 使用词向量创建网络模型, 训练模型, 使用预训练的词向量, 下载词向量, 在模型中加载词向量, 冻结 embedding 层权重, 递归神经网络(RNN),LSTM, 长期依赖, LSTM 网络, 基于序列数据的卷积网络.
GAN(Generative Adversarial Network) , 由 Ian Goodfellow 首先提出. Generation 就是模型通过学习一些数据, 然后生成类似的数据. 让机器看一些动物图片, 然后自己来产生动物的图片, 这就是生成. 以前就有很多可以用来生成的技术了, 比如 auto-encoder(自编码器).GAN 有两个网络, 一个是 generator, 一个是 discriminator, 从二人零和博弈中受启发, 通过两个网络互相对抗来达到最好的生成效果.
推荐学习《GAN 实战生成对抗网络》, 覆盖了深度学习的基础, 对抗网络背后的原理以及构建方式等内容. 同时还介绍了多个真实世界中使用对抗网络构建智能应用的案例并提供了具体的代码以及部署方法, 旨在帮助能够在真正的生产环境中使用生成对抗网络.
《GAN 实战生成对抗网络》中文 PDF,153 页, 带目录, 文字可复制. 英文 PDF,166 页, 带目录, 文字可复制.
《生成式对抗网络 GANser》PPT,59 页, 文字可复制, 刘少鹏.
下载: https://pan.baidu.com/s/1NZV_7cw2kA0Scpx6C6LN3Q
提取码: chi1
首先, 有一个一代的 generator, 它能生成一些很差的图片, 然后有一个一代的 discriminator, 它能准确的把生成的图片, 和真实的图片分类, 简而言之, 这个 discriminator 就是一个二分类器, 对生成的图片输出 0, 对真实的图片输出 1. 接着, 开始训练出二代的 generator, 它能生成稍好一点的图片, 能够让一代的 discriminator 认为这些生成的图片是真实的图片. 然后会训练出一个二代的 discriminator, 它能准确的识别出真实的图片, 和二代 generator 生成的图片. 以此类推, 会有三代, 四代...n 代的 generator 和 discriminator, 最后 discriminator 无法分辨生成的图片和真实图片, 这个网络就拟合了.
无论是深度学习的初学者, 还是第一次接触 PyTorch 的研究人员, 推荐学习《深度学习框架 PyTorch: 入门与实践》, 内容由浅入深, 都能在学习本书的过程中快速掌握 PyTorch.
《深度学习框架 PyTorch 入门与实践》PDF,301 页, 带书签目录, 文字可以复制. 配套源代码.
陈云 著.
下载: https://pan.baidu.com/s/1QVauOWYB1AVUsRHTlUPssw
提取码: 546d
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. 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. 内容由浅入深, 无论是深度学习的初学者, 还是第一次接触 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.
深度学习如今已经成为科技领域炙手可热的技术,《深度学习之 Pytorch》从机器学习和深度学习的基础理论入手, 从零开始学习 PyTorch. 了解 PyTorch 基础, 以及如何用 PyTorch 框架搭建模型. 学到机器学习中的线性回归和 Logistic 回归, 深度学习的优化方法, 多层全连接神经网络, 卷积神经网络, 循环神经网络, 以及生成对抗网络, 最后通过实战了解深度学习前沿的研究成果, 以及时 Torch 在实际项目中的应用, 理论和代码相结合.
《深度学习之 Pytorch》PDF,231 页, 文字可复制;《PyTorch 深度学习实战》PDF,121 页, 带目录, 文字可复制, 配套源代码.
下载: https://pan.baidu.com/s/1xPLGesq9GdKRaida9K94sg
提取码: brhy
PyTorch 是 Facebook 发布的一款非常具有个性的深度学习框架, 它和 Tensorflow,Keras,Theano 等其他深度学习框架都不同, 它是动态计算图模式, 其应用模型支持在运行过程中根据运行参数动态改变, 而其他几种框架都是静态计算图模式, 其模型在运行之前就已经确定.
《PyTorch 深度学习实战》共分成 16 个章节, 第 1 章是 Pytorch 简介和环境搭建; 第 2~8 章是 Keras 的软件框架说明, 包含了层的说明, 优化器和损失函数等; 第 9~10 章重点介绍了深度学习中的卷积和池化的概念; 第 11~12 章是介绍用神经网络模型搭建图像识别系统的实战经验; 第 13~16 章介绍如何使用 LSTM 模型来处理自然语言.
《PyTorch 深度学习实战》从原理到实战, 深入浅出的介绍了 Facebook 人工智能利器 Pytorch 的卓越表现, 掌握 Pytorch 的使用技巧了, 具有很强的实战性.
《深度学习与计算机视觉算法原理, 框架应用》PDF, 带书签, 347 页.《大数据架构详解从数据获取到深度学习》PDF, 带书签, 373 页. 配套源代码.
下载: https://pan.baidu.com/s/1qwb0GWfUU5vjH5IPozsCUA
提取码: ggfv
《深度学习与计算机视觉算法原理, 框架应用》共 13 章, 分为 2 篇. 第 1 篇基础知识, 介绍了人工智能发展里程, 计算机视觉概要, 深度学习和计算机视觉中的基础数学知识, 神经网络及其相关的机器学习基础, 卷积神经网络及其一些常见结构, 最后对最前沿的趋势进行了简单探讨. 第 2 篇实例精讲, 介绍了 Python 基础, OpneCV 基础, 最简单的分类神经网络, 图像识别, 利用 Caffe 做回归, 迁移学习和模型微调, 目标检测, 度量学习和图像风格迁移等常见的计算机视觉应用场景. 从第 5 章开始包含了很多有趣和实用的代码示例. 从第 7 章开始的所有实例都基于当前最流行的深度学习框架中的 Caffe 和 MXNet, 其中包含了原创的大量代码和搜集的数据,
来源: http://www.bubuko.com/infodetail-3153005.html