輕鬆學會Google Colab和Pytorch人工智慧深度學習實作開發 | 誠品線上

輕鬆學會Google Colab和Pytorch人工智慧深度學習實作開發

內容簡介

內容簡介 本書前半部（CH1-CH10）是為初學者設計，使用Google Colab雲端GPU，只需打開瀏覽器即可開發，讓讀者在短時間內完整掌握深度學習的觀念；而本書後半部（CH11-CH15）定位於進階實務與最新應用，在讀者具備深度學習基礎後，自行準備GPU開發，無論在Windows或Linux系統，都可作為銜接研究或專題應用的進階教材。每章皆精細講解核心觀念，搭配Step by Step實作，確保讀者完全理解原理與操作。內容聚焦於近年主流與前沿的深度學習架構與應用，包括Transformer系列、擴散模型、物件偵測、影像分割，以及結合大型語言模型的視覺語言模型。掌握業界和學術界最流行、最活躍的深度學習程式庫—PyTorch 【內容簡介】 ✪聚焦主流與前沿的深度學習架構與應用 ✪完整掌握PyTorch深度學習應用開發 ✪透過PyTorch API快速上手深度學習實作 本書前半部（CH1-CH10）是為初學者設計，使用Google Colab雲端GPU，只需打開瀏覽器即可開發，讓讀者在短時間內完整掌握深度學習的觀念；而本書後半部（CH11-CH15）定位於進階實務與最新應用，在讀者具備深度學習基礎後，自行準備GPU開發，無論在Windows或Linux系統，都可作為銜接研究或專題應用的進階教材。每章皆精細講解核心觀念，搭配Step by Step實作，確保讀者完全理解原理與操作。內容聚焦於近年主流與前沿的深度學習架構與應用，包括Transformer系列、擴散模型、物件偵測、影像分割，以及結合大型語言模型的視覺語言模型。 【精彩內容】 ✪透過Google Colab在瀏覽器中開發，免本地端 GPU，低成本即可上手學習 ✪利用PyTorch torch.nn模組，掌握簡潔指令、自由組合且容易擴展的模塊化API ✪利用PyTorch Dataset與DataLoader建立高效的數據導入管道，速度更快、更簡單 ✪掌握PyTorch進階技巧：客製化網路層（Custom Layers）與客製化模型包裝器（Model Wrapper） ✪運用TensorBoard視覺化技巧，記錄訓練損失、準確率與權重分布 ✪使用TorchvisionDatasets數據集平台，方便下載與使用資料集 ✪使用PyTorch Hub開放預訓練模型平台，快速載入與使用預訓練網路模型 ✪了解神經網路反向傳遞（Backpropagation）的原理 ✪了解及實作全連接神經網路 ✪了解及實作卷積神經網路 ✪了解及實作遷移學習，透過PyTorch Hub搭建MobileNetV3網路模型進行遷移學習 ✪掌握訓練網路的技巧：權重初始化（Xavier、He初始化）、Dropout、Batch Normalization ✪學習深度學習經典網路架構：LeNet、AlexNet、VGG、GoogLeNet、ResNet ✪聚焦Transformer系列、擴散模型、物件偵測、影像分割等近年主流與前沿的深度學習架構與應用 ✪認識視覺語言模型（Vision-Language Models）的定義、任務型態與應用情境

作者介紹

作者介紹 黃士嘉 ✪經歷：國立臺北科技大學電子工程系 特聘教授、加拿大 McGill University 國際客座教授、加拿大 Ontario Tech University 國際客座教授、IEEE Transactions on Intelligent Vehicles 國際副主編、IEEE Sensors Journal 國際副主編 ✪獲獎：經濟部第 5 屆國家產業創新獎、ACM臺灣分會李國鼎研究獎、史丹福大學世界 2%頂尖科學家、國立臺北科技大學 校傑出研究獎、國立臺北科技大學 電資學院院傑出研究獎 陳亮甫 ✪學歷：國立臺北科技大學電子工程系碩士 趙大衛 ✪學歷：國立臺灣大學電機工程學系博士 ✪經歷：台達電子 主任工程師、倫光科技 算法工程師 ✪獲獎：臺大電機最佳博士論文獎

產品目錄

產品目錄 |CHAPTER 00| 環境安裝 0.1 前言 0.2 Google Colab 0.3 Python安裝 0.4 PyTorch安裝 0.5 Python擴充套件安裝 0.6 Jupyter Notebook 0.7 GitHub程式碼 |CHAPTER 01| PyTorch介紹 1.1 什麼是深度學習？ 1.2 建立專案 1.3 PyTorch介紹 1.4 PyTorch核心模組與開發部署流程 1.5 PyTorch基本運算 1.6 torch.nn模組 1.7 Dataset與DataLoader |CHAPTER 02| 迴歸問題 2.1 深度神經網路 2.2 Kaggle介紹 2.3 實驗一：房價預測模型 2.4 TensorBoard介紹 2.5 實驗二：過擬合問題 |CHAPTER 03| 二元分類問題 3.1 機器學習的四大類別 3.2 二元分類問題 3.3 實驗：精靈寶可夢對戰預測 |CHAPTER 04| 多類別分類問題 4.1 卷積神經網路 4.2 多類別分類問題 4.3 實驗：CIFAR-10影像識別 |CHAPTER 05| 神經網路訓練技巧 5.1 反向傳遞 5.2 權重初始化 5.3 Batch Normalization 5.4 實驗：使用CIFAR-10資料集實驗三種權重初始化方法 |CHAPTER 06| 神經網路進階技巧 6.1 PyTorch進階技巧 6.2 實驗：透過Model Wrapper來進行兩種不同的網路架構訓練 |CHAPTER 07| 神經網路經典架構 7.1 神經網路架構 7.2 實驗：透過PyTorch Hub載入預訓練網路模型 |CHAPTER 08| 遷移學習 8.1 遷移學習 8.2 實驗：遷移學習 |CHAPTER 09| 變分自編碼器 9.1 Auto-Encoder介紹 9.2 Variational Auto-Encoder介紹 9.3 Variational Auto-Encoder損失函數 9.4 實驗：Variational Auto-Encoder實現 |CHAPTER 10| 生成對抗網路 10.1 生成對抗網路 10.2 GAN、WGAN、WGAN-GP的演進 10.3 實驗：WGAN-GP人臉生成 |CHAPTER 11| 擴散模型 11.1 Diffusion Model 11.2 Stable Diffusion 11.3 實驗：DDPM實現 |CHAPTER 12| 物件偵測 12.1 電腦視覺 12.2 物件偵測介紹 12.3 物件偵測歷史進展 12.4 實驗：YOLO v8物件偵測 |CHAPTER 13| 影像分割 13.1 Semantic Segmentation任務介紹 13.2 Semantic Segmentation歷史進展 13.3 實驗：U-Net實現 |CHAPTER14| Transformer Family 14.1 時序資料任務介紹 14.2 應用於時序資料的類神經網路 14.3 Transformer介紹 14.4 Vision Transformer（ViT）架構 14.5 實驗一：時序資料分類 14.6 實驗二：Transformer Bottleneck架構實作 |CHAPTER 15| 大型語言模型之視覺語言模型 15.1 視覺語言模型任務介紹 15.2 代表性視覺語言模型 15.3 從視覺語言模型到多模態大型模型 15.4 實驗：實現CLIP零樣本

商品規格

最佳賣點

最佳賣點 : 本書前半部（CH1-CH10）是為初學者設計，使用Google Colab雲端GPU，只需打開瀏覽器即可開發，讓讀者在短時間內完整掌握深度學習的觀念；而本書後半部（CH11-CH15）定位於進階實務與最新應用，在讀者具備深度學習基礎後，自行準備GPU開發……

活動

• 9/13前 全站滿$3,500折$400
• 9/13前 全站滿$1,500折$130
• 9/13前 全站滿$2,500折$250
• 9/13前 全站滿$6,000折$660