掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習核心技術與實踐 版權信息
- ISBN：9787121329050
- 條形碼：9787121329050 ; 978-7-121-32905-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習核心技術與實踐 本書特色
《深度學習核心技術與實踐》主要介紹深度學習的核心算法，以及在計算機視覺、語音識別、自然語言處理中的相關應用。本書的作者們都是業界*線的深度學習從業者，所以書中所寫內容和業界聯系緊密，所涵蓋的深度學習相關知識點比較全面。本書主要講解原理，較少貼代碼。本書適合深度學習從業人士或者相關研究生作為參考資料，也可以作為入門教程來大致了解深度學習的相關前沿技術。
深度學習核心技術與實踐 內容簡介
√ 來自一直盛產人工智能黑科技的神秘之師，他們也是開源分布式系統ytk-learn和ytk-mp4j的作者。 √ 用一線工程視角，透過關鍵概念、模型、算法原理和實踐經驗，為入坑者破解深度學習“煉金術”。 √ 算法、代碼容易獲取，結合產品需求落地機器學習才是難題，本書旨在讓算法真正在團隊扎根長大。 √ 胸懷全局、了如指掌才能在實踐中少走彎路，用理論滋養創新能力，這也是本書導向的至臻境界。
深度學習核心技術與實踐 目錄
目錄
第1 部分深度學習基礎篇 1
1 概述 2
1.1 人工智能 3
1.1.1 人工智能的分類 3
1.1.2 人工智能發展史 3
1.2 機器學習 7
1.2.1 機器學習的由來 7
1.2.2 機器學習發展史 9
1.2.3 機器學習方法分類 10
1.2.4 機器學習中的基本概念 11
1.3 神經網絡 12
1.3.1 神經網絡發展史 13
參考文獻 16
2 神經網絡 17
2.1 在神經科學中對生物神經元的研究 17
2.1.1 神經元激活機制 17
2.1.2 神經元的特點 18
2.2 神經元模型 19
2.2.1 線性神經元 19
2.2.2 線性閾值神經元 19
2.2.3 Sigmoid 神經元 21
2.2.4 Tanh 神經元 22
2.2.5 ReLU 22
2.2.6 Maxout 24
2.2.7 Softmax 24
2.2.8 小結 25
2.3 感知機 27
2.3.1 感知機的提出 27
2.3.2 感知機的困境 28
2.4 DNN 29
2.4.1 輸入層、輸出層及隱層 30
2.4.2 目標函數的選取 30
2.4.3 前向傳播 32
2.4.4 后向傳播 33
2.4.5 參數更新 35
2.4.6 神經網絡的訓練步驟 36
參考文獻 36
3 初始化模型 38
3.1 受限玻爾茲曼機 38
3.1.1 能量模型 39
3.1.2 帶隱藏單元的能量模型 40
3.1.3 受限玻爾茲曼機基本原理 41
3.1.4 二值RBM 43
3.1.5 對比散度 45
3.2 自動編碼器 47
3.2.1 稀疏自動編碼器 48
3.2.2 降噪自動編碼器 48
3.2.3 棧式自動編碼器 49
3.3 深度信念網絡 50
參考文獻 52
4 卷積神經網絡 53
4.1 卷積算子 53
4.2 卷積的特征 56
4.3 卷積網絡典型結構 59
4.3.1 基本網絡結構 59
4.3.2 構成卷積神經網絡的層 59
4.3.3 網絡結構模式 60
4.4 卷積網絡的層 61
4.4.1 卷積層 61
4.4.2 池化層 66
參考文獻 67
5 循環神經網絡 68
5.1 循環神經網絡簡介 68
5.2 RNN、LSTM 和GR 69
5.3 雙向RNN 76
5.4 RNN 語言模型的簡單實現 77
參考文獻 80
6 深度學習優化算法 81
6.1 SGD 81
6.2 Momentum 82
6.3 NAG 83
6.4 Adagrad 85
6.5 RMSProp 86
6.6 Adadelta 87
6.7 Adam 88
6.8 AdaMax 90
6.9 Nadam 90
6.10 關于優化算法的使用 92
參考文獻 92
7 深度學習訓練技巧 94
7.1 數據預處理 94
7.2 權重初始化 95
7.3 正則化 96
7.3.1 提前終止 96
7.3.2 數據增強 96
7.3.3 L2/L1 參數正則化 98
7.3.4 集成 100
7.3.5 Dropout 101
參考文獻 102
8 深度學習框架 103
8.1 Theano 103
8.1.1 Theano 103
第1 部分深度學習基礎篇 1
1 概述 2
1.1 人工智能 3
1.1.1 人工智能的分類 3
1.1.2 人工智能發展史 3
1.2 機器學習 7
1.2.1 機器學習的由來 7
1.2.2 機器學習發展史 9
1.2.3 機器學習方法分類 10
1.2.4 機器學習中的基本概念 11
1.3 神經網絡 12
1.3.1 神經網絡發展史 13
參考文獻 16
2 神經網絡 17
2.1 在神經科學中對生物神經元的研究 17
2.1.1 神經元激活機制 17
2.1.2 神經元的特點 18
2.2 神經元模型 19
2.2.1 線性神經元 19
2.2.2 線性閾值神經元 19
2.2.3 Sigmoid 神經元 21
2.2.4 Tanh 神經元 22
2.2.5 ReLU 22
2.2.6 Maxout 24
2.2.7 Softmax 24
2.2.8 小結 25
2.3 感知機 27
2.3.1 感知機的提出 27
2.3.2 感知機的困境 28
2.4 DNN 29
2.4.1 輸入層、輸出層及隱層 30
2.4.2 目標函數的選取 30
2.4.3 前向傳播 32
2.4.4 后向傳播 33
2.4.5 參數更新 35
2.4.6 神經網絡的訓練步驟 36
參考文獻 36
3 初始化模型 38
3.1 受限玻爾茲曼機 38
3.1.1 能量模型 39
3.1.2 帶隱藏單元的能量模型 40
3.1.3 受限玻爾茲曼機基本原理 41
3.1.4 二值RBM 43
3.1.5 對比散度 45
3.2 自動編碼器 47
3.2.1 稀疏自動編碼器 48
3.2.2 降噪自動編碼器 48
3.2.3 棧式自動編碼器 49
3.3 深度信念網絡 50
參考文獻 52
4 卷積神經網絡 53
4.1 卷積算子 53
4.2 卷積的特征 56
4.3 卷積網絡典型結構 59
4.3.1 基本網絡結構 59
4.3.2 構成卷積神經網絡的層 59
4.3.3 網絡結構模式 60
4.4 卷積網絡的層 61
4.4.1 卷積層 61
4.4.2 池化層 66
參考文獻 67
5 循環神經網絡 68
5.1 循環神經網絡簡介 68
5.2 RNN、LSTM 和GR 69
5.3 雙向RNN 76
5.4 RNN 語言模型的簡單實現 77
參考文獻 80
6 深度學習優化算法 81
6.1 SGD 81
6.2 Momentum 82
6.3 NAG 83
6.4 Adagrad 85
6.5 RMSProp 86
6.6 Adadelta 87
6.7 Adam 88
6.8 AdaMax 90
6.9 Nadam 90
6.10 關于優化算法的使用 92
參考文獻 92
7 深度學習訓練技巧 94
7.1 數據預處理 94
7.2 權重初始化 95
7.3 正則化 96
7.3.1 提前終止 96
7.3.2 數據增強 96
7.3.3 L2/L1 參數正則化 98
7.3.4 集成 100
7.3.5 Dropout 101
參考文獻 102
8 深度學習框架 103
8.1 Theano 103
8.1.1 Theano 103
展開全部
深度學習核心技術與實踐 作者簡介
猿輔導應用研究團隊成立于2014年年中，一直從事深度學習在教育領域的應用和研究工作。團隊成員均畢業于北京大學、清華大學、上海交大、中科院、香港大學等知名高校，大多數擁有碩士或博士學位。研究方向涵蓋了圖像識別、語音識別、自然語言理解、數據挖掘、深度學習等領域。團隊成功運用深度學習技術，從零開始打造出活躍用戶過億的拍照搜題APP——小猿搜題，開源了分布式機器學習系統ytk-learn和分布式通信系統ytk-mp4j。此外，團隊自主研發的一系列成果均成功應用到猿輔導公司的產品中。包括：速算應用中的在線手寫識別、古詩詞背誦中的語音識別、英語口語智能批改、英文手寫拍照識別和英語作文智能批改等技術。
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
月亮與六便士
- >
姑媽的寶刀
- >
我從未如此眷戀人間
- >
李白與唐代文化
- >
史學評論
- >
伊索寓言-世界文學名著典藏-全譯本
- >
自卑與超越
本類暢銷
