首页IT互联网PyTorch生成对抗网络编程[mobi] [azw3] [epub] [txt] [pdf] 

PyTorch生成对抗网络编程

IT互联网

作者:[英]塔里克·拉希德        出版社:人民邮电出版社        

出版时间:2020-12-01        格式:[mobi] [azw3] [epub] [txt] [pdf]         

豆瓣评分
书童

    本书由 煌 共享发布,请大家多多支持!

  • 详细介绍
  • 热门书评

作者简介

  塔里克·拉希德(Tariq Rashid),拥有物理学学士学位、机器学习和数据挖掘硕士学位。他常年活跃于伦敦的技术圈子,领导并组织伦敦Python聚会小组(近3000名成员)。 译者简介: 韩江雷,新加坡南洋理工大学计算机专业博士,思爱普公司(新加坡)数据科学家。他的研究兴趣有自然语言处理、文本数据分析、数据挖掘等项目的落地及运维。

书籍简介

  生成对抗网络(Generative Adversarial Network,GAN)是神经网络领域的新星,被誉为“机器学习领域近20年来最酷的想法”。本书以直白、简短的方式向读者介绍了生成对抗网络,并且教读者如何使用PyTorch按部就班地编写生成对抗网络。全书共3章和5个附录,分别介绍了PyTorch基础知识,用PyTorch开发神经网络,改良神经网络以提升效果,引入CUDA和GPU以加速GAN训练,以及生成高质量图像的卷积GAN、条件式GAN等话题。附录部分介绍了在很多机器学习相关教程中被忽略的主题,包括计算平衡GAN的理想损失值、概率分布和采样,以及卷积如何工作,还简单解释了为什么梯度下降不适用于对抗式机器学习。本书适合想初步了解GAN以及其工作原理的读者,也适合想要学习如何构建GAN的机器学习从业人员。对于正在学习机器学习相关课程的学生,本书可以帮助读者快速入门,为后续的学习打好基础。

精彩书摘

  第1章 PyTorch和神经网络
  在本章中,我们开始学习PyTorch,并练习用它构建一个简单的图像分类器。
  同时,我们也复习一下神经网络。
  1.1 PyTorch入门
  在《Python神经网络编程》一书中,我们学习了使用Python和numpy库处理数据,并构建了简单且高效的神经网络模型。
  我们没有使用流行的神经网络架构,如PyTorch和TensorFlow等。我们认为,自己动手从头构建神经网络可以帮助读者更好地理解神经网络的运行机制。
  体会了手动构建神经网络后,构建大型网络的复杂程度可想而知。其中,最烦琐的部分莫过于通过微积分计算反向传播误差(back-propagated error)和网络权重(weight)之间的关系。每当网络结构需要改变时,我们很可能需要重新计算一次。
  现在,我们使用PyTorch来取代大部分的底层工作,从而可以专注于网络的设计。
  PyTorch最强大且最便利的功能之一是,无论我们设想的网络是什么样子的,它都能替我们进行所有的微积分计算。即使设计改变了,PyTorch也会自动更新微积分计算,无须我们亲自动手计算梯度(gradient)。
  同时,PyTorch尽量在外观体验上与Python保持一致,以帮助Python用户快速上手。
  1.1.1 Google Colab
  在《Python神经网络编程》中,我们在本地运行的网页版Python笔记本(notebook)中编辑代码。现在,我们将使用由谷歌提供的Colab免费服务,在谷歌的服务器上运行代码。
  谷歌的Colab服务可以完全通过浏览器访问。我们无须在自己的计算机或笔记本电脑上安装任何软件。
  在开始之前,需要使用谷歌账户登录。假如您有一个Gmail或YouTube账户,它就是您的谷歌账户。如果您没有谷歌账户,则可以通过以下链接创建一个。
  https://accounts.google.com/signup
  登录之后,还需要通过访问以下链接激活谷歌Colab服务。
  https://colab.research.google.com
  首先,我们看到一个示例Python笔记本。从文件(File)菜单选择“New Python 3 notebook”,创建一个新笔记本:
  图片 720
  创建之后,我们应该可以看到,一个空的Python笔记本已经准备就绪了。
  图片 719
  在另一个浏览器窗口中,如果我们查看谷歌文件存储Drive,会发现一个名为Colab Notebooks的新文件夹。在默认情况下,新建的Python笔记本都会存储在这个文件夹中。
  下图是一个名为Untitled0.ipynb的新笔记本。
  图片 718
  让我们尝试运行一段Python代码。在第一个单元格(cell)中,输入以下代码:
  2 + 3
  点击单元格左侧的“play”(执行)按键图片 717运行代码。如果我们最近没有使用Colab服务,那么在执行第一个Python指令时可能要等待片刻,因为谷歌需要一些时间来启动一个虚拟机(virtual machine)并连接我们的笔记本。
  运行完成后,我们可以看到代码运行结果5出现在单元格下方,如下图所示。
  图片 716
  至此,我们为学习PyTorch所做的准备工作就全部完成了。

热门书评共 0 条评论

    未登录,还无法评论,请先

资源
共享
作品反馈
  • 请详述反馈内容,侵权删除需提交后补填相关授权文件!