防詐3要訣：不聽信、不操作、掛斷電話 
79
1,000790
查詢門市庫存
◎作者為PyTorch核心開發者，能以更全面的視角來進行教學
◎實作內容豐富，花費大量篇幅處理肺癌偵測專案
◎各章節的內容皆搭配程式範例，讀者可實際演練來加深印象
◎實作內容豐富，花費大量篇幅處理肺癌偵測專案
◎各章節的內容皆搭配程式範例，讀者可實際演練來加深印象
內容簡介
內容介紹:
【PyTorch官方唯一推薦教材！】
[專家推薦]
●Soumith Chintala，PyTorch 共同開發者 & Facebook AI Research 研究員：
『這本書出版後，我們終於有了關於 PyTorch 的權威著作，它具體地說明了基礎的知識和概念。』
●Mathieu Zhang，NVIDIA 深度學習技術經理：
『將深度學習切割成易於讀者消化的區塊，再以程式範例作為輔助。』
●Philippe Van Bergen，PÇ Consulting 雲端架構師：
『具及時性、實務性及透徹性的一本書。你應該把它放在你的電腦旁，而不只是把它放在書架上。』
●Orlando Alejo Méndez Morales，Experian 軟體分析師：
『這本書提供了非常實用的深度學習概述，適合做為教學資源。』
深度學習是近年來非常夯的一個領域，發展的速度也十分的驚人。曾經，深度學習的函式庫五花八門，各自都具備了一定的重要性。如今，使用者開始往兩大函式庫，PyTorch及Tensorflow靠攏，進而鞏固了它們的地位。在2018年以前，Tensorflow在國際學術頂尖會議中的論文引用率都遠超PyTorch。自2019年起，PyTorch就奮起直追，越來越受到學者們的喜愛。在ICLR 2020和CVPR 2020會議中，使用PyTorch的論文數已超越Tensorflow。由此可見，掌握PyTorch，是勢在必行的！
PyTorch最為人稱道就是語法和Python相近，一樣簡潔好學，與Numpy、Pandas函式庫的相容性也很好，並支援動態運算圖（dynamic computational graph），有助於模型的優化，對記憶體的使用也非常有效率。本書作者為PyTorch核心開發者，深知PyTorch的強大之處，並擁有豐富的深度學習經驗，將帶你從無到有，利用PyTorch建構出深度學習模型，並用其來解決現實問題的能力。
與其他深度學習框架書相比，本書的最大特色為：利用數個章節來實作肺癌偵測專案。在實作該專案的過程中，你可以實際體會到如何充分把所學應用出來，並針對過程中所遇到的問題來找出解方。更重要的是，作者的寶貴經驗會讓你少走許多彎路，快速培養實戰能力！
閱讀完本書後，你將了解：
★深度學習的基本資料結構：張量（tensor）
★如何實作模組及損失函數
★如何從PyTorch Hub中載入預先訓練的模型
★在有限的資料下，訓練模型的方法
★分析測試結果，並找出現有模型中的問題
★透過擴增資料等方法，提高模型的表現
如果你對深度學習非常有熱忱，並且已經具備一定的Python能力，願意跟著書中內容動手嘗試，那你就是本書最適合的讀者！
本書特色:
◎作者為PyTorch核心開發者，能以更全面的視角來進行教學
◎實作內容豐富，花費大量篇幅處理肺癌偵測專案
◎時刻提點實作專案時可能遇到的陷阱，讓讀者少走彎路
◎各章節的內容皆搭配程式範例，讀者可實際演練來加深印象
◎本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容
【PyTorch官方唯一推薦教材！】
[專家推薦]
●Soumith Chintala，PyTorch 共同開發者 & Facebook AI Research 研究員：
『這本書出版後，我們終於有了關於 PyTorch 的權威著作，它具體地說明了基礎的知識和概念。』
●Mathieu Zhang，NVIDIA 深度學習技術經理：
『將深度學習切割成易於讀者消化的區塊，再以程式範例作為輔助。』
●Philippe Van Bergen，PÇ Consulting 雲端架構師：
『具及時性、實務性及透徹性的一本書。你應該把它放在你的電腦旁，而不只是把它放在書架上。』
●Orlando Alejo Méndez Morales，Experian 軟體分析師：
『這本書提供了非常實用的深度學習概述，適合做為教學資源。』
深度學習是近年來非常夯的一個領域，發展的速度也十分的驚人。曾經，深度學習的函式庫五花八門，各自都具備了一定的重要性。如今，使用者開始往兩大函式庫，PyTorch及Tensorflow靠攏，進而鞏固了它們的地位。在2018年以前，Tensorflow在國際學術頂尖會議中的論文引用率都遠超PyTorch。自2019年起，PyTorch就奮起直追，越來越受到學者們的喜愛。在ICLR 2020和CVPR 2020會議中，使用PyTorch的論文數已超越Tensorflow。由此可見，掌握PyTorch，是勢在必行的！
PyTorch最為人稱道就是語法和Python相近，一樣簡潔好學，與Numpy、Pandas函式庫的相容性也很好，並支援動態運算圖（dynamic computational graph），有助於模型的優化，對記憶體的使用也非常有效率。本書作者為PyTorch核心開發者，深知PyTorch的強大之處，並擁有豐富的深度學習經驗，將帶你從無到有，利用PyTorch建構出深度學習模型，並用其來解決現實問題的能力。
與其他深度學習框架書相比，本書的最大特色為：利用數個章節來實作肺癌偵測專案。在實作該專案的過程中，你可以實際體會到如何充分把所學應用出來，並針對過程中所遇到的問題來找出解方。更重要的是，作者的寶貴經驗會讓你少走許多彎路，快速培養實戰能力！
閱讀完本書後，你將了解：
★深度學習的基本資料結構：張量（tensor）
★如何實作模組及損失函數
★如何從PyTorch Hub中載入預先訓練的模型
★在有限的資料下，訓練模型的方法
★分析測試結果，並找出現有模型中的問題
★透過擴增資料等方法，提高模型的表現
如果你對深度學習非常有熱忱，並且已經具備一定的Python能力，願意跟著書中內容動手嘗試，那你就是本書最適合的讀者！
本書特色:
◎作者為PyTorch核心開發者，能以更全面的視角來進行教學
◎實作內容豐富，花費大量篇幅處理肺癌偵測專案
◎時刻提點實作專案時可能遇到的陷阱，讓讀者少走彎路
◎各章節的內容皆搭配程式範例，讀者可實際演練來加深印象
◎本書由施威銘研究室監修，書中針對原書進行大量補充，並適當添加註解，幫助讀者更好地理解內容
產品目錄
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
★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
作者介紹
Eli Stevens
主要在矽谷的新創公司任職。其所扮演的角色相當多元，從軟體工程師（負責企業網路設備）到CTO（開發與放射腫瘤學相關的軟體）都有。在研究發表方面，Eli的文章主要涉及機器學習在自動駕駛工業的應用。
Luca Antiga
在2000年代初期擔任生物醫學工程的研究員；而在過去十年，他也是一家AI工程公司的共同創辦人兼CTO。許多開源專案都有Luca的貢獻，其中就包括了PyTorch的核心部分。
Thomas Viehmann
在德國慕尼黑擔任PyTorch機器學習技術的訓練員和顧問，同時也是PyTorch的核心開發者之一。
主要在矽谷的新創公司任職。其所扮演的角色相當多元，從軟體工程師（負責企業網路設備）到CTO（開發與放射腫瘤學相關的軟體）都有。在研究發表方面，Eli的文章主要涉及機器學習在自動駕駛工業的應用。
Luca Antiga
在2000年代初期擔任生物醫學工程的研究員；而在過去十年，他也是一家AI工程公司的共同創辦人兼CTO。許多開源專案都有Luca的貢獻，其中就包括了PyTorch的核心部分。
Thomas Viehmann
在德國慕尼黑擔任PyTorch機器學習技術的訓練員和顧問，同時也是PyTorch的核心開發者之一。
規格
誠品貨碼 / 2682039945002
ISBN13 / 9789863126737
ISBN10 / 986312673X
EAN貨碼 / 9789863126737
頁數 / 656
開數 / 18K
裝訂 / P:平裝
語言 / 1:中文/繁體
尺寸 / 23X17X3.2CM
級別 / N:無
退貨說明
退貨須知：
- 依照消費者保護法的規定，您享有商品貨到次日起七天猶豫期(含例假日)的權益(請注意！猶豫期非試用期)，辦理退貨之商品必須是全新狀態(不得有刮傷、破損、受潮)且需完整(包含全部商品、配件、原廠內外包裝、贈品及所有附隨文件或資料的完整性等)。
- 請您以送貨廠商使用之包裝紙箱將退貨商品包裝妥當，若原紙箱已遺失，請另使用其他紙箱包覆於商品原廠包裝之外，切勿直接於原廠包裝上黏貼紙張或書寫文字。若原廠包裝損毀將可能被認定為已逾越檢查商品之必要程度，本公司得依毀損程度扣除回復原狀必要費用(整新費)後退費；請您先確認商品正確、外觀可接受，再行拆封，以免影響您的權利；若為產品瑕疵，本公司接受退貨。
依「通訊交易解除權合理例外情事適用準則」，下列商品不適用七日猶豫期，除產品本身有瑕疵外，不接受退貨：
- 易於腐敗、保存期限較短或解約時即將逾期。(如:生鮮蔬果、乳製品、冷凍冷藏食材、蛋糕)
- 依消費者要求所為之客製化給付。(如:客製印章、鋼筆刻字)
- 報紙、期刊或雜誌。
- 經消費者拆封之影音商品或電腦軟體。
- 非以有形媒介提供之數位內容或一經提供即為完成之線上服務，經消費者事先同意始提供。(如:電子書)
- 已拆封之個人衛生用品。(如:內衣褲、襪類、褲襪、刮鬍刀、除毛刀等貼身用品)
- 國際航空客運服務。
若您退貨時有下列情形，可能被認定已逾越檢查商品之必要程度而須負擔為回復原狀必要費用(整新費)，或影響您的退貨權利，請您在拆封前決定是否要退貨：
- 以數位或電磁紀錄形式儲存或著作權相關之商品(包含但不限於CD、VCD、DVD、電腦軟體等) 包裝已拆封者(除運送用之包裝以外)。
- 耗材(包含但不限於墨水匣、碳粉匣、紙張、筆類墨水、清潔劑補充包等)之商品包裝已拆封者(除運送用之包裝以外)。
- 衣飾鞋類/寢具/織品(包含但不限於衣褲、鞋子、襪子、泳裝、床單、被套、填充玩具)或之商品缺件(含購買商品、附件、內外包裝、贈品等)或經剪標或下水或商品有不可回復之髒污或磨損痕跡。
- 食品、美容/保養用品、內衣褲等消耗性或個人衛生用品、商品銷售頁面上特別載明之商品已拆封者(除運送用之包裝外一切包裝、包括但不限於瓶蓋、封口、封膜等接觸商品內容之包裝部分)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 家電、3C、畫作、電子閱讀器等商品，除商品本身有瑕疵外，退回之商品已拆封(除運送用之包裝外一切包裝、包括但不限於封膜等接觸商品內容之包裝部分、移除封條、拆除吊牌、拆除貼膠或標籤等情形)或已非全新狀態(外觀有刮傷、破損、受潮等)與包裝不完整(缺少商品、附件、原廠外盒、保護袋、配件紙箱、保麗龍、隨貨文件、贈品等)。
- 退貨程序請參閱【客服專區→常見問題→誠品線上退貨退款】之說明。
付款/配送