核心開發者親授！PyTorch深度學習攻略 F1388 價格比較,價格查詢,歷史價格詳細信息

核心開發者親授！PyTorch深度學習攻略 F1388 價格比較,價格查詢,價格歷史信息

Name: 核心開發者親授！PyTorch深度學習攻略 F1388
SKU: 195010028-9871040808

核心開發者親授！PyTorch深度學習攻略 F1388 規格

核心開發者親授！PyTorch深度學習攻略 F1388 最新價格

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

核心開發者親授！PyTorch深度學習攻略 F1388 歷史價格(單位:新台幣)

核心開發者親授！PyTorch深度學習攻略 F1388 描述

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作者簡介: 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。目錄: ★第一篇 PyTorch的核心 ☆第1章：深度學習與PyTorch函式庫 ☆第2章：預先訓練的模型 ☆第3章：介紹張量 ☆第4章：用張量表示現實中的資料 ☆第5章：學習的機制 ☆第6章：使用神經網路來擬合資料 ☆第7章：從圖片中學習 ☆第8章：卷積神經網路 ★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 ☆第10章：匯入原始資料並整合為資料集 ☆第11章：訓練模型分辨結節的真假 ☆第12章：利用評估指標和資料擴增來改善訓練成效 ☆第13章：利用『分割』找出疑似結節的組織 ☆第14章：端到端結節偵測（與未來方向）