Python深度学习：基于PyTorch pdf epub mobi txt 电子书 下载 2026
- 深度学习
- Pytorch
- 机器学习
- 人工智能
- 好书！
- 好书，值得一读
- 编程
- pytorch
- Python
- 深度学习
- PyTorch
- 机器学习
- 神经网络
- 人工智能
- 编程
- 数据科学
- 卷积神经网络
- 深度神经网络
具体描述
这是一本基于最新的Python和PyTorch版本的深度学习著作，旨在帮助读者低门槛进入深度学习领域，轻松速掌握深度学习的理论知识和实践方法，快速实现从入门到进阶的转变。
本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶，从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上，广泛涉猎、重点突出、注重实战；内容安排上，实例切入、由浅入深、循序渐进；表达形式上，深度抽象、化繁为简、用图说话。
本书共16章，分为三部分：
第一部分（第1~4章） PyTorch基础
首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用，然后从多个角度讲解了Pytorch的必备基础知识，最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。
第二部分（第5~8章） 深度学习基础
这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧，涵盖视觉处理、NLP和生成式深度学习等主题。
第三部分（第9~16章） 深度学习实践
这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案，具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。
作者简介
★吴茂贵
资深大数据和人工智能技术专家，就职于中国外汇交易中心，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch、Keras等的机器学习和深度学习方面有大量的工程实践实践。著有《Python深度学习：基于TensorFlow》《深度实践Spark机器学习》《自己动手做大数据系统》等著作。
★郁明敏
资深商业分析师，从事互联网金融算法研究工作，专注于大数据、机器学习以及数据可视化的相关领域，擅长 Python、Hadoop、Spark 等技术，拥有丰富的实战经验。曾获“江苏省TI杯大学生电子竞技大赛”二等奖和“华为杯全国大学生数学建模大赛”二等奖。
★杨本法
高级算法工程师，在流程优化、数据分析、数据挖掘等领域有10余年实战经验，熟悉Hadoop和Spark技术栈。有大量工程实践经验，做过的项目包括：推荐系统、销售预测系统、舆情监控系统、拣货系统、报表可视化、配送路线优化系统等。
★李涛
资深AI技术工程师，对PyTorch、Caffe、TensorFlow等深度学习框架以及计算机视觉技术有深刻的理解和丰富的实践经验，曾经参与和主导过服务机器人、无人售后店、搜索排序等多个人工智能相关的项目。
★张粤磊
资深大数据技术专家，飞谷云创始人，有10余年一线数据数据挖掘与分析实战经验。先后在咨询、金融、互联网行业担任大数据平台的技术负责人或架构师。
目录信息
前言
第一部分 PyTorch基础
第1章 Numpy基础2
1.1 生成Numpy数组3
1.1.1 从已有数据中创建数组3
1.1.2 利用random模块生成数组4
1.1.3 创建特定形状的多维数组5
1.1.4 利用arange、linspace函数生成数组6
1.2 获取元素7
1.3 Numpy的算术运算9
1.3.1 对应元素相乘9
1.3.2 点积运算10
1.4 数组变形11
1.4.1 更改数组的形状11
1.4.2 合并数组14
1.5 批量处理16
1.6 通用函数17
1.7 广播机制19
1.8 小结20
第2章 PyTorch基础21
2.1 为何选择PyTorch？21
2.2 安装配置22
2.2.1 安装CPU版PyTorch22
2.2.2 安装GPU版PyTorch24
2.3 Jupyter Notebook环境配置26
2.4 Numpy与Tensor28
2.4.1 Tensor概述28
2.4.2 创建Tensor28
2.4.3 修改Tensor形状30
2.4.4 索引操作31
2.4.5 广播机制32
2.4.6 逐元素操作32
2.4.7 归并操作33
2.4.8 比较操作34
2.4.9 矩阵操作35
2.4.10 PyTorch与Numpy比较35
2.5 Tensor与Autograd36
2.5.1 自动求导要点36
2.5.2 计算图37
2.5.3 标量反向传播38
2.5.4 非标量反向传播39
2.6 使用Numpy实现机器学习41
2.7 使用Tensor及Antograd实现机器学习44
2.8 使用TensorFlow架构46
2.9 小结48
第3章 PyTorch神经网络工具箱49
3.1 神经网络核心组件49
3.2 实现神经网络实例50
3.2.1 背景说明51
3.2.2 准备数据52
3.2.3 可视化源数据53
3.2.4 构建模型53
3.2.5 训练模型54
3.3 如何构建神经网络？56
3.3.1 构建网络层56
3.3.2 前向传播57
3.3.3 反向传播57
3.3.4 训练模型58
3.4 神经网络工具箱nn58
3.4.1 nn.Module58
3.4.2 nn.functional58
3.5 优化器59
3.6 动态修改学习率参数60
3.7 优化器比较60
3.8 小结62
第4章 PyTorch数据处理工具箱63
4.1 数据处理工具箱概述63
4.2 utils.data简介64
4.3 torchvision简介66
4.3.1 transforms67
4.3.2 ImageFolder67
4.4 可视化工具69
4.4.1 tensorboardX简介69
4.4.2 用tensorboardX可视化神经网络71
4.4.3 用tensorboardX可视化损失值72
4.4.4 用tensorboardX可视化特征图73
4.5 本章小结74
第二部分 深度学习基础
第5章 机器学习基础76
5.1 机器学习的基本任务76
5.1.1 监督学习77
5.1.2 无监督学习77
5.1.3 半监督学习78
5.1.4 强化学习78
5.2 机器学习一般流程78
5.2.1 明确目标79
5.2.2 收集数据79
5.2.3 数据探索与预处理79
5.2.4 选择模型及损失函数80
5.2.5 评估及优化模型81
5.3 过拟合与欠拟合81
5.3.1 权重正则化82
5.3.2 Dropout正则化83
5.3.3 批量正则化86
5.3.4 权重初始化88
5.4 选择合适激活函数89
5.5 选择合适的损失函数90
5.6 选择合适优化器92
5.6.1 传统梯度优化的不足93
5.6.2 动量算法94
5.6.3 AdaGrad算法96
5.6.4 RMSProp算法97
5.6.5 Adam算法98
5.7 GPU加速99
5.7.1 单GPU加速100
5.7.2 多GPU加速101
5.7.3 使用GPU注意事项104
5.8 本章小结104
第6章 视觉处理基础105
6.1 卷积神经网络简介105
6.2 卷积层107
6.2.1 卷积核108
6.2.2 步幅109
6.2.3 填充111
6.2.4 多通道上的卷积111
6.2.5 激活函数113
6.2.6 卷积函数113
6.2.7 转置卷积114
6.3 池化层115
6.3.1 局部池化116
6.3.2 全局池化117
6.4 现代经典网络119
6.4.1 LeNet-5模型119
6.4.2 AlexNet模型120
6.4.3 VGG模型121
6.4.4 GoogleNet模型122
6.4.5 ResNet模型123
6.4.6 胶囊网络简介124
6.5 PyTorch实现CIFAR-10多分类125
6.5.1 数据集说明125
6.5.2 加载数据125
6.5.3 构建网络127
6.5.4 训练模型128
6.5.5 测试模型129
6.5.6 采用全局平均池化130
6.5.7 像Keras一样显示各层参数131
6.6 模型集成提升性能133
6.6.1 使用模型134
6.6.2 集成方法134
6.6.3 集成效果135
6.7 使用现代经典模型提升性能136
6.8 本章小结137
第7章 自然语言处理基础138
7.1 循环神经网络基本结构138
7.2 前向传播与随时间反向传播140
7.3 循环神经网络变种143
7.3.1 LSTM144
7.3.2 GRU145
7.3.3 Bi-RNN146
7.4 循环神经网络的PyTorch实现146
7.4.1 RNN实现147
7.4.2 LSTM实现149
7.4.3 GRU实现151
7.5 文本数据处理152
7.6 词嵌入153
7.6.1 Word2Vec原理154
7.6.2 CBOW模型155
7.6.3 Skip-Gram模型155
7.7 PyTorch实现词性判别156
7.7.1 词性判别主要步骤156
7.7.2 数据预处理157
7.7.3 构建网络157
7.7.4 训练网络158
7.7.5 测试模型160
7.8 用LSTM预测股票行情160
7.8.1 导入数据160
7.8.2 数据概览161
7.8.3 预处理数据162
7.8.4 定义模型163
7.8.5 训练模型163
7.8.6 测试模型164
7.9 循环神经网络应用场景165
7.10 小结166
第8章 生成式深度学习167
8.1 用变分自编码器生成图像167
8.1.1 自编码器168
8.1.2 变分自编码器168
8.1.3 用变分自编码器生成图像169
8.2 GAN简介173
8.2.1 GAN架构173
8.2.2 GAN的损失函数174
8.3 用GAN生成图像175
8.3.1 判别器175
8.3.2 生成器175
8.3.3 训练模型175
8.3.4 可视化结果177
8.4 VAE与GAN的优缺点178
8.5 ConditionGAN179
8.5.1 CGAN的架构179
8.5.2 CGAN生成器180
8.5.3 CGAN判别器180
8.5.4 CGAN损失函数181
8.5.5 CGAN可视化181
8.5.6 查看指定标签的数据182
8.5.7 可视化损失值182
8.6 DCGAN183
8.7 提升GAN训练效果的一些技巧184
8.8 小结185
第三部分 深度学习实践
第9章 人脸检测与识别188
9.1 人脸识别一般流程188
9.2 人脸检测189
9.2.1 目标检测189
9.2.2 人脸定位191
9.2.3 人脸对齐191
9.2.4 MTCNN算法192
9.3 特征提取193
9.4 人脸识别198
9.4.1 人脸识别主要原理198
9.4.2 人脸识别发展198
9.5 PyTorch实现人脸检测与识别199
9.5.1 验证检测代码199
9.5.2 检测图像200
9.5.3 检测后进行预处理200
9.5.4 查看经检测后的图像201
9.5.5 人脸识别202
9.6 小结202
第10章 迁移学习实例203
10.1 迁移学习简介203
10.2 特征提取204
10.2.1 PyTorch提供的预处理模块205
10.2.2 特征提取实例206
10.3 数据增强209
10.3.1 按比例缩放209
10.3.2 裁剪210
10.3.3 翻转210
10.3.4 改变颜色211
10.3.5 组合多种增强方法211
10.4 微调实例212
10.4.1 数据预处理212
10.4.2 加载预训练模型213
10.4.3 修改分类器213
10.4.4 选择损失函数及优化器213
10.4.5 训练及验证模型214
10.5 清除图像中的雾霾214
10.6 小结217
第11章 神经网络机器翻译实例218
11.1 Encoder-Decoder模型原理218
11.2 注意力框架220
11.3 PyTorch实现注意力Decoder224
11.3.1 构建Encoder224
11.3.2 构建简单Decoder225
11.3.3 构建注意力Decoder226
11.4 用注意力机制实现中英文互译227
11.4.1 导入需要的模块228
11.4.2 数据预处理228
11.4.3 构建模型231
11.4.4 训练模型234
11.4.5 随机采样，对模型进行测试235
11.4.6 可视化注意力236
11.5 小结237
第12章 实战生成式模型238
12.1 DeepDream模型238
12.1.1 Deep Dream原理238
12.1.2 DeepDream算法流程239
12.1.3 用PyTorch实现Deep Dream240
12.2 风格迁移243
12.2.1 内容损失244
12.2.2 风格损失245
12.2.3 用PyTorch实现神经网络风格迁移247
12.3 PyTorch实现图像修复252
12.3.1 网络结构252
12.3.2 损失函数252
12.3.3 图像修复实例253
12.4 PyTorch实现DiscoGAN255
12.4.1 DiscoGAN架构256
12.4.2 损失函数258
12.4.3 DiscoGAN实现258
12.4.4 用PyTorch实现从边框生成鞋子260
12.5 小结262
第13章 Caffe2模型迁移实例263
13.1 Caffe2简介263
13.2 Caffe如何升级到Caffe2264
13.3 PyTorch如何迁移到Caffe2265
13.4 小结268
第14章 AI新方向：对抗攻击269
14.1 对抗攻击简介269
14.1.1 白盒攻击与黑盒攻击270
14.1.2 无目标攻击与有目标攻击270
14.2 常见对抗样本生成方式271
14.2.1 快速梯度符号法271
14.2.2 快速梯度算法271
14.3 PyTorch实现对抗攻击272
14.3.1 实现无目标攻击272
14.3.2 实现有目标攻击274
14.4 对抗攻击和防御措施276
14.4.1 对抗攻击276
14.4.2 常见防御方法分类276
14.5 总结277
第15章 强化学习278
15.1 强化学习简介278
15.2 Q-Learning原理281
15.2.1 Q-Learning主要流程281
15.2.2 Q函数282
15.2.3 贪婪策略283
15.3 用PyTorch实现Q-Learning283
15.3.1 定义Q-Learing主函数283
15.3.2 执行Q-Learing284
15.4 SARSA算法285
15.4.1 SARSA算法主要步骤285
15.4.2 用PyTorch实现SARSA算法286
15.5 小结287
第16章 深度强化学习288
16.1 DQN算法原理288
16.1.1 Q-Learning方法的局限性289
16.1.2 用DL处理RL需要解决的问题289
16.1.3 用DQN解决方法289
16.1.4 定义损失函数290
16.1.5 DQN的经验回放机制290
16.1.6 目标网络290
16.1.7 网络模型291
16.1.8 DQN算法291
16.2 用PyTorch实现DQN算法292
16.3 小结295
附录A PyTorch0.4版本变更296
附录B AI在各行业的最新应用301
· · · · · · (收起)
读后感
评分
评分
评分
评分
用户评价
这本《Python深度学习：基于PyTorch》是我近期阅读的一本让我印象深刻的书。初拿到这本书，就被其厚重的体量和严谨的封面设计所吸引，仿佛预示着它将是一场深入的知识探索之旅。我是一名有着几年Python编程基础，但对深度学习领域尚属初学者的读者，所以选择了这本书，希望能够系统地学习这门强大的技术。 翻开书页，首先映入眼帘的是清晰的章节目录，从基础概念的引入，到PyTorch框架的详细讲解，再到各种经典深度学习模型的实现，逻辑层层递进，循序渐进。作者在开篇就对深度学习的发展历程、核心思想以及在不同领域的应用前景做了概述，这为我建立了一个宏观的认知框架，让我对接下来的学习充满了期待。 在阅读过程中，我发现作者在讲解PyTorch的每一个API时，都配有详实的代码示例，并且对代码的每一行都做了细致的注释，这对于我这样的初学者来说，简直是福音。我能够对照着书本，在自己的环境中动手实践，通过运行和修改代码，来加深对概念的理解。作者似乎预料到了我们可能会遇到的各种问题，经常会提前给出一些“提示”或者“注意事项”，帮助我们避免走弯路。 尤其让我感到惊喜的是，书中对卷积神经网络（CNN）和循环神经网络（RNN）等经典模型讲解得非常透彻。作者并没有停留在“知其然”，而是深入剖析了这些模型背后的数学原理和设计思想，并通过具体的代码实现，让我们能够亲眼看到模型的构建过程。我仿佛站在巨人的肩膀上，感受着前沿技术的魅力。 总而言之，《Python深度学习：基于PyTorch》是一本非常扎实的深度学习入门教材。它不仅传授了理论知识，更重要的是提供了实践的路径。我强烈推荐给所有想要系统学习深度学习，并且希望掌握PyTorch这个强大工具的读者。这本书让我对深度学习的理解迈上了一个新的台阶，也为我未来的学习和工作奠定了坚实的基础。
评分作为一名在AI领域摸爬滚打了几年，但一直对PyTorch的掌握程度有些零散的从业者，我一直渴望能找到一本能够系统梳理PyTorch核心概念并深入讲解其应用的书籍。《Python深度学习：基于PyTorch》恰好满足了我的需求。这本书的内容密度非常高，每一章都像是一个小小的知识宝库，里面蕴含着作者多年经验的结晶。 我特别欣赏作者在阐述PyTorch的底层逻辑时的严谨性。书中并没有回避那些可能让初学者望而却步的数学公式，而是巧妙地将其与代码实现相结合，让我们理解“为什么”这样做，而不是仅仅停留在“怎么做”。例如，在讲解自动微分（Autograd）时，作者不仅解释了其工作原理，还通过一些简化的例子，让我们体会到它在梯度计算中的强大作用。 此外，书中对深度学习模型的讲解也极具深度。不仅仅是简单地罗列模型架构，作者还深入分析了每个模型的设计动机、优缺点以及在不同任务中的适用场景。我印象最深的是关于Transformer模型的章节，作者的讲解层次分明，从最初的Attention机制，到多头注意力，再到Encoder-Decoder结构，最后完美地衔接到了PyTorch中的具体实现。这让我对这个在NLP领域掀起革命的模型有了全新的认识。 我还会经常翻阅书中提供的各种实战案例，这些案例涵盖了图像识别、自然语言处理、序列建模等多个热门方向。作者在编写这些案例时，充分考虑了实际应用中的各种细节，从数据预处理、模型搭建，到训练优化、性能评估，都给出了详细的指导。我经常会将书中的代码进行修改和扩展，用自己的数据集进行实验，这极大地提升了我的实战能力。 总的来说，《Python深度学习：基于PyTorch》是一本对我非常有价值的书籍。它帮助我系统地巩固和提升了对PyTorch的理解，也为我在实际项目中应用深度学习技术提供了丰富的参考。这本书不仅适合深度学习的初学者，也同样适用于有一定基础，希望深入掌握PyTorch的开发者。
评分从一名对数据科学充满热情，但深度学习经验尚浅的爱好者角度来看，《Python深度学习：基于PyTorch》这本书是一次难得的学习机会。它就像一位经验丰富的老友，耐心细致地引导我一步步走进深度学习的世界。 书中的开篇部分，对于深度学习的基本概念，比如神经网络、激活函数、损失函数等，讲解得非常到位。作者似乎深知初学者的困惑，总能在关键点上给予恰到好处的解释，避免了概念上的模糊不清。我特别喜欢书中用类比的方式来解释一些抽象的概念，这让我更容易理解。 当我开始接触PyTorch这个框架时，我发现书中的讲解非常接地气。它不是简单地罗列API，而是从如何构建一个简单的张量（Tensor）开始，逐步深入到如何构建层、构建模型，以及如何进行训练和评估。每一个步骤都伴随着清晰的代码片段，我可以在自己的Jupyter Notebook里轻松复现，并在此基础上进行修改和探索。 让我惊喜的是，书中还介绍了许多实际应用场景下的深度学习模型，比如用于图像分类的CNN，用于文本生成的RNN。作者通过这些例子，让我看到了深度学习的强大威力，也让我对如何将这些模型应用到实际问题中有了初步的认识。我甚至开始尝试用书中的代码来解决自己的一些小项目，这给我带来了极大的成就感。 这本书的语言风格也非常友好，没有太多晦涩难懂的专业术语，即使是初学者也能轻松阅读。作者在讲解过程中，经常会分享一些个人经验和学习建议，让我感觉不像是在阅读一本枯燥的技术书籍，而更像是在和一个经验丰富的导师交流。 总而言之，《Python深度学习：基于PyTorch》是一本非常适合初学者入门的深度学习书籍。它内容充实，讲解清晰，实践性强，让我对深度学习燃起了更大的兴趣，并掌握了使用PyTorch进行深度学习开发的初步技能。
评分作为一个深度学习领域的探索者，我一直在寻找一本能够引领我深入理解PyTorch强大能力的图书。《Python深度学习：基于PyTorch》这本书，恰恰满足了我对深度、广度以及实践性的多重需求。 书本的开篇，并没有急于介绍复杂的模型，而是从Python和NumPy基础入手，为我打下坚实的编程基础，这对于我这样背景的读者来说，非常贴心。接着，作者以一种非常清晰且易于理解的方式，引入了深度学习的核心概念。比如，在讲解神经网络的构建时，作者通过一步步的代码演示，让我体会到如何从基本的张量操作组合成一个完整的模型。 我特别喜欢书中对PyTorch框架的讲解。作者并非简单地罗列API，而是深入地剖析了PyTorch的“思维方式”，比如其动态图的优势，以及如何利用autograd进行高效的梯度计算。书中关于数据加载和预处理的章节，也提供了许多实用技巧，让我能够更高效地处理真实世界的数据集。 书中对各种深度学习模型的介绍，给我留下了深刻的印象。不仅仅是停留在模型结构的讲解，作者还深入地分析了模型的内在逻辑和设计理念。从经典的卷积神经网络，到用于序列建模的循环神经网络，再到近年来备受瞩目的Transformer模型，每一个模型都伴随着精心设计的代码示例，让我能够亲手实践，并深刻理解其工作原理。 更重要的是，这本书让我看到了深度学习的无限可能性。书中提供了许多不同领域的应用案例，涵盖了计算机视觉、自然语言处理等多个方向。这不仅拓宽了我的视野，也激发了我将深度学习技术应用于解决实际问题的热情。 总而言之，《Python深度学习：基于PyTorch》是一本集理论深度、实践指导和前沿视野于一体的优秀著作。它是我学习PyTorch和深度学习过程中不可或缺的伙伴，强烈推荐给所有对这个领域充满兴趣的读者。
评分对于我这种有着多年机器学习项目经验，但对深度学习的深入理论和实现细节一直有所欠缺的工程师来说，《Python深度学习：基于PyTorch》这本书的价值在于它提供了一个非常系统且实践导向的学习路径。这本书的体量很大，但我能感受到作者在内容组织上的深思熟虑，力求覆盖深度学习的方方面面。 书中对PyTorch的讲解，不仅仅是停留在“怎么用”的层面，而是深入到“为什么这么用”。例如，在讲解PyTorch的计算图和自动微分机制时，作者并没有使用过于抽象的数学语言，而是通过生动的图示和代码演示，让我直观地理解了PyTorch是如何实现高效的梯度计算的。这对于我理解和调试复杂的深度学习模型至关重要。 我尤其赞赏书中在讲解经典深度学习模型时的深度。例如，在介绍卷积神经网络（CNN）时，作者不仅讲解了卷积层、池化层等基本操作，还深入探讨了各种经典的CNN架构（如AlexNet、VGG、ResNet等）的设计思想和演进过程，并给出了相应的PyTorch实现。这让我能够理解不同模型之间的联系和差异，并能够根据具体任务选择合适的模型。 此外，书中对自然语言处理（NLP）部分的讲解也让我受益匪浅。从词嵌入（Word Embeddings）到循环神经网络（RNN）及其变种（LSTM、GRU），再到更现代的Transformer模型，作者都进行了详尽的阐述，并提供了相应的PyTorch代码示例。这为我理解和应用NLP技术提供了坚实的理论基础和实践指导。 本书的优势在于其强大的实践性。书中提供的代码示例非常完整，且都是可执行的。我经常会直接将书中的代码复制到我的开发环境中进行测试和修改，这极大地节省了我从零开始搭建模型的时间，并且能让我快速验证自己的想法。 总的来说，《Python深度学习：基于PyTorch》是一本非常全面且深入的深度学习技术书籍。它对于我这样的中级读者来说，是巩固理论、提升实践能力，并深入理解PyTorch框架的绝佳资源。
评分目前最好的中文pytorch教程
评分应导师要求，主要学习一下pytorch搭建神经网络和不同领域问题的处理过程。虽然普遍通行的算法都涉及到了，但没有太多基础理论的东西，偏实战，但对于这个阶段来读还算挺好的，起码可以转用pytorch提升速度了。事实证明不能说有最好的，只是在恰当的时间恰当的解决了某些疑惑就很好。
评分非常不错，图文并茂！b站上也有Up主推荐这本书
评分非常不错，图文并茂！b站上也有Up主推荐这本书
评分目前Pytorch的书很多，这本书绝对算得上是佳作了，如书中所说，能让读者快速掌握深度学习的理论知识和实践方法
相关图书
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2026 book.wenda123.org All Rights Reserved. 图书目录大全 版权所有