檢視 PyTorch深度学习指南·编程基础卷I 的原始碼

{| class="wikitable" align="right"
|-
|<center><img src=https://www0.kfzimg.com/sw/kfz-cos/kfzimg/10610471/da3aadc4aff7b71e_s.jpg width="250"></center>
<small>[https://search.kongfz.com/product/?dataType=0&keyword=PyTorch%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E6%8C%87%E5%8D%97%C2%B7%E7%BC%96%E7%A8%8B%E5%9F%BA%E7%A1%80%E5%8D%B7I&page=1 来自 孔夫子旧书网 的图片]</small>
|}

《'''PyTorch深度学习指南·编程基础卷I'''》，作者: [巴西] 丹尼尔·沃格特·戈多伊（Daniel Voigt Godoy），出版社: [[机械]]工业出版社<ref>[http://www.cmpbook.com/about 企业简介]，机械工业出版社</ref>，原作名: Deep Learning with PyTorch Step-by-Step，译者: 张春江，出版年: 2024-4-1，页数: 182，定价: 99.0，ISBN: 9787111749783。

==内容简介==

“PyTorch深度学习指南”丛书循序渐进地详细讲解了与深度学习相关的重要概念、算法<ref>[https://learning.sohu.com/a/715411619_121124372 五大算法设计思想，你都知道吗？]，搜狐，2023-08-27</ref>和模型，并着重展示了PyTorch是如何实现这些算法和模型的。其共分三卷：编程基础、计算机视觉、序列与自然语言处理。

本书为该套丛书的第一卷：[[编程]]基础。本书主要介绍了梯度下降和PyTorch的Autograd；训练循环、数据加载器、小批量和优化器；二元分类器、交叉熵损失和不平衡数据集；决策边界、评估指标和数据可分离性等内容。

本书适用于对深度学习感兴趣，并希望使用PyTorch实现深度学习的Python程序员阅读学习。

==目录==

前　言

致　谢

关于作者

译者序

常见问题

为什么选择PyTorch?

为什么选择这套书?

谁应该读这套书?

我需要知道什么?

如何[[阅读]]这套书?

下一步是什么?

设置指南

官方资料库

环境

谷歌Colab

Binder

本地安装

继续

第0章　[[可视化]]梯度下降

剧透

JupyterNotebook

导入

可视化梯度下降

模型

数据生成

合成数据生成

训练-验证-测试拆分

第0步——随机初始化

第1步——计算模型的预测

第2步——计算损失

损失面

横截面

第3步——计算梯度

可视化[[梯度]]

反向传播

第4步——更新参数

学习率

第5步——循环往复

梯度下降的路径

回顾

......

==参考文献==
[[Category:040 類書總論；百科全書總論]]