本文へスキップします。

【参】モーダルJS:読み込み
書籍DB:詳細

動かしながら学ぶ PyTorchプログラミング入門

動かしながら学ぶ PyTorchプログラミング入門

  • 著者斎藤 勇哉
  • 定価2,970円 (本体2,700円+税)
  • 判型B5変
  • 256頁
  • ISBN978-4-274-22640-3
  • 発売日2020/11/21
  • 発行元オーム社

手を動かして学ぶ!!

「手を動かしアプリを動かしながら学ぶ」をコンセプトにしたPyTorchの入門書です。「解説」と「コード作成」を柱とした構成で、主な特徴は次の通りです。
・最低限の知識でアプリ開発までを実現できる。
・実用性のあるアプリを作りながら学ぶ。
・実用性のあるアプリにより学習モチベーションが上がる。
「株価の予測」「画像分類」「感情分析」アプリを開発します。アプリづくりの面白さを通し、読者に楽しみながらPyTorchを学んでいただくものです。


試し読みをする
Chapter 1 スタートアップ
1 PyTorchについて
2 開発環境の構築について
2.1 自身のPCを使用する場合
PCスペック/PyTorchのインストール
2.2 Google Colaboratoryを使用する場合
PCスペック/利用制限/サンプルコードの使用方法/Notebookの新規作成/Notebookの開き方
GPUの設定/PyTorchのインストール/Google Colaboratoryの基本的な使い方

Chapter 2 PyTorchの基本
1 テンソル(Tensor)
1.1 Tensorの生成
1.2 Tensorとndarrayの変換
1.3 Tensorの操作
1.4 Tensorの演算
2 自動微分(AUTOGRAD)
3 ニューラルネットワークの定義
3.1 nn.Sequentialを使う方法
3.2 自作のクラスを使う方法
3.3 GPUを使う場合
4 損失関数
4.1 バイナリ交差エントロピー損失(nn.BCELoss)
4.2 ロジット付きバイナリ交差エントロピー損失(nn.BCEWithLogitsLoss)
4.3 ソフトマックス交差エントロピー損失(nn.CrossEntropyLoss)
4.4 平均二乗誤差損失(nn.MSELoss)
4.5 平均絶対誤差損失(nn.L1Loss)
5 最適化関数

Chapter 3 ニューラルネットワークの基本
1 ニューラルネットワークについて
2 アヤメの分類【サンプルコード】
2.1 アヤメ(Iris)データセット
2.2 前準備(パッケージのインポート)
2.3 訓練データとテストデータの用意
2.4 ニューラルネットワークの定義
2.5 損失関数と最適化関数の定義
2.6 学習
2.7 結果の可視化
2.8 新たにテスト用のデータセットを用意して推定したい場合
3 糖尿病の予後予測【サンプルコード】
Column 機械学習が対象とする課題
3.1 糖尿病(Diabetes)データセット
3.2 前準備(パッケージのインポート)
3.3 訓練データとテストデータの用意
3.4 ニューラルネットワークの定義
3.5 損失関数と最適化関数の定義
3.6 学習
3.7 結果の可視化

Chapter 4 畳み込みニューラルネットワーク~画像分類プログラムを作る~
1 畳み込みニューラルネットワークについて
1.1 畳み込み層(Convolutional Layer)
1.2 プーリング層(Pooling Layer)
2 CIFAR-10データセットの画像分類【サンプルコード】
2.1 前準備(パッケージのインポート)
2.2 訓練データとテストデータの用意
2.3 ニューラルネットワークの定義
2.4 損失関数と最適化関数の定義
2.5 学習
2.6 結果の可視化
3 CIFAR-10データセットの転移学習【サンプルコード】
3.1 前準備(パッケージのインポート)
3.2 訓練データとテストデータの用意
3.3 学習済みのニューラルネットワークの読み込み
3.4 損失関数と最適化関数の定義
3.5 学習
3.6 結果の可視化
4 画像の高解像度化【サンプルコード】
4.1 Super-Resolution Convolutional Neural Network(SRCNN)
4.2 画像データの準備(Labeled Faces in the Wild)
4.3 前準備(パッケージのインポート)
4.4 訓練データとテストデータの用意
4.5 ニューラルネットワークの定義
4.6 損失関数と最適化関数の定義
4.7 学習
Column PSNRとSSIMについて
4.8 結果の可視化

Chapter 5 再帰型ニューラルネットワーク(時系列データの予測)
~株価予測プログラムを作る~
1 再帰型ニューラルネットワークについて
2 株価予測【サンプルコード
2.1 前準備(パッケージのインポート)
2.2 訓練データとテストデータの用意
2.3 ニューラルネットワークの定義
2.4 損失関数と最適化関数の定義
2.5 学習
2.6 結果の可視化
2.7 テストデータに対する予測の評価
3 Webアプリケーションの組み込み【サンプルコード】
3.1 Flaskのインストール
3.2 必要なファイル
3.3 ファイルの中身
main.py/predict_stockprice.py/get.html/post.html
3.4 実行

Chapter 6 再帰型ニューラルネットワーク(テキストデータの分類)
~映画レビューの感情分析プログラムを作る~
1 ディープラーニングを用いた感情分析
2 感情分析の基本【サンプルコード
2.1 映画レビュー(Internet Movie Database:IMDb)
2.2 前準備(パッケージのインポート)
2.3 訓練データとテストデータの用意
2.4 ニューラルネットワークの定義
2.5 損失関数と最適化関数の定義
2.6 学習
2.7 結果の可視化
3 感情分析の応用【サンプルコード】
3.1 前準備(パッケージのインポート)
3.2 訓練データとテストデータの用意
3.3 ニューラルネットワークの定義
3.4 損失関数と最適化関数の定義
3.5 学習
3.6 結果の可視化
3.7 新しいレビューに対する感情分析
4 感情分析の高速化【サンプルコード】
4.1 fastText
4.2 前準備(パッケージのインポート
4.4 ニューラルネットワークの定義
4.5 損失関数と最適化関数の定義
4.6 学習
4.7 結果の可視化
4.8 新しいレビューに対する感情分析
5 CNNを用いた感情分析【サンプルコード】
5.1 前準備(パッケージのインポート)
5.2 訓練データとテストデータの用意
5.3 ニューラルネットワークの定義
5.4 損失関数と最適化関数の定義
5.5 学習
5.6 結果の可視化
5.7 新しいレビューに対する感情分析
index

ここでは、本書で使用するサンプルデータ、および本書を補足する付録を圧縮ファイル(zip形式)で提供しています。
9784274226403.zip(約34MB)をダウンロードし、解凍してご利用下さい。

  • 本ファイルは、本書をよくお読みの上ご利用ください。本ファイルの著作権は、本書の著作者である斎藤勇哉氏に帰属します。
  • 本ファイルを利用したことによる直接あるいは間接的な損害に関して、著作者およびオーム社はいっさいの責任を負いかねます。利用は利用者個人の責任において行ってください。また、ソフトウェアの動作・実行環境、操作についての質問には一切お答えすることはできません。

関連書籍