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
深度學習與飛槳PADDLEPADDLE FLUID實戰 版權信息
- ISBN：9787115519641
- 條形碼：9787115519641 ; 978-7-115-51964-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習與飛槳PADDLEPADDLE FLUID實戰 本書特色
飛槳PaddlePaddle Fluid是百度推出的深度學習框架，不僅支撐了百度公司的很多業務和應用，而且隨著其開源過程的推進，在很多行業得到普及、應用和關注。 本書基于*的飛槳PaddlePaddle Fluid版本，以真實的應用案例介紹如何用飛槳PaddlePaddle解決主流的深度學習問題。全書共14章。本書首先介紹了什么是飛槳PaddlePaddle，然后介紹了其核心設計思想，進而緊緊結合案例介紹了飛槳PaddlePaddle在主流的圖像任務領域、NLP領域的應用，*后還探討了Paddle-Mobile與Anakin框架等高級主題。附錄A和B給出了飛槳PaddlePaddle與TensorFlow、Caffe框架的接口中常用層的對比。 本書非常適合對人工智能感興趣的學生、從事機器學習相關工作的讀者閱讀，尤其適合想要通過飛槳PaddlePaddle掌握深度學習應用技術的研究者和從業者參考。
深度學習與飛槳PADDLEPADDLE FLUID實戰 內容簡介
飛槳PaddlePaddle Fluid是百度推出的深度學習框架，不僅支撐了百度公司的很多業務和應用，而且隨著其開源過程的推進，在很多行業得到普及、應用和關注。 本書基于近期新的飛槳PaddlePaddle Fluid版本，以真實的應用案例介紹如何用飛槳PaddlePaddle解決主流的深度學習問題。全書共14章。本書首先介紹了什么是飛槳PaddlePaddle，然后介紹了其核心設計思想，進而緊緊結合案例介紹了飛槳PaddlePaddle在主流的圖像任務領域、NLP領域的應用，很后還探討了Paddle-Mobile與Anakin框架等不錯主題。附錄A和B給出了飛槳PaddlePaddle與TensorFlow、Caffe框架的接口中常用層的對比。 本書很好適合對人工智能感興趣的學生、從事機器學習相關工作的讀者閱讀，尤其適合想要通過飛槳PaddlePaddle掌握深度學習應用技術的研究者和從業者參考。
深度學習與飛槳PADDLEPADDLE FLUID實戰 目錄
第 1章 飛槳PaddlePaddle簡介
與AI Studio的使用 1
1.1 飛槳PaddlePaddle簡介 1
1.2 飛槳PaddlePaddle的工具組件 2
1.2.1 PaddleHub—簡明易用的
預訓練模型管理框架 2
1.2.2 PARL—基于飛槳PaddlePaddle
的深度強化學習框架 3
1.2.3 AutoDL Design—讓深度學習
來設計深度學習 4
1.2.4 VisualDL—深度學習可視化
工具庫 5
1.2.5 模型轉換工具X2Paddle 5
1.3 飛槳PaddlePaddle在百度內部
支持的案例 6
1.4 飛槳PaddlePaddle與TensorFlow的
對比 7
1.5 AI Studio簡介 8
1.6 在AI Studio中創建項目 9
1.6.1 用戶界面簡介 9
1.6.2 創建并運行一個項目 10
1.7 AI Studio單機項目概述 11
1.7.1 頁面概覽 11
1.7.2 復制項目 12
1.7.3 VisualDL工具的使用 13
1.8 Notebook環境使用說明 14
1.8.1 Notebook頁面概覽 14
1.8.2 操作區 14
1.8.3 Notebook內容編輯區 15
1.8.4 側邊欄 21
1.8.5 工具欄 23
1.9 AI Studio集群項目 23
1.9.1 集群項目說明 23
1.9.2 創建集群項目 24
1.9.3 頁面概覽 25
1.9.4 代碼編輯界面 25
1.9.5 文件管理和數據集區域 26
1.9.6 文件預覽編輯和提交任務
區域 27
1.9.7 PaddlePaddle集群訓練說明 27
1.9.8 數據集與輸出文件路徑說明 28
1.9.9 提交任務 29
1.9.10 歷史任務 29
1.9.11 預安裝包說明 30
1.10 在線部署及預測 31
1.10.1 功能說明 31
1.10.2 通過訓練任務生成模型文件 32
1.10.3 創建一個在線服務 34
1.10.4 測試沙盒服務 39
1.10.5 部署在線服務 40
1.10.6 調用在線服務 41
1.11 NumPy常規操作及使用 42
第 2章 PaddlePaddle Fluid的環境
搭建與安裝 50
2.1 在Linux系統中安裝
PaddlePaddle 50
2.1.1 租用百度BCC云服務器 50
2.1.2 安裝前的準備工作 56
2.1.3 通過pip安裝PaddlePaddle 58
2.1.4 在Docker中安裝
PaddlePaddle 59
2.2 在Windows系統中安裝
PaddlePaddle 64
2.2.1 Windows GPU驅動環境安裝 64
2.2.2 下載并安裝CUDA 65
2.2.3 安裝cuDNN 68
2.2.4 安裝PaddlePaddle 69
2.3 在macOS系統中安裝
PaddlePaddle 69
2.3.1 安裝Python 3 69
2.3.2 安裝PaddlePaddle 71
第3章 PaddlePaddle深度學習入門—
在MNIST上進行手寫
數字識別 72
3.1 引言 72
3.2 模型概覽 73
3.2.1 Softmax回歸模型 73
3.2.2 多層感知器 74
3.2.3 卷積神經網絡 75
3.3 數據介紹 78
3.4 PaddlePaddle的程序配置過程 79
3.4.1 程序說明 79
3.4.2 配置inference_program 79
3.4.3 配置train_program 81
3.4.4 配置optimizer_program 82
3.4.5 配置數據集reader 82
3.5 構建訓練過程 83
3.5.1 事件處理程序配置 83
3.5.2 開始訓練 84
3.6 應用模型 86
3.6.1 生成待預測的輸入數據 87
3.6.2 Inference創建及預測 87
3.6.3 預測結果 87
3.7 小結 88
第4章 PaddlePaddle設計思想與
核心技術 89
4.1 編譯時與運行時的概念 89
4.2 Fluid內部執行流程 90
4.3 Program設計簡介 91
4.4 Block簡介 92
4.5 Block和Program的設計細節 93
4.6 框架執行器設計思想 94
4.6.1 代碼示例 95
4.6.2 創建框架執行器 95
4.6.3 運行框架執行器 96
4.7 示例 96
4.7.1 定義Program 96
4.7.2 創建框架執行器 98
4.7.3 運行框架執行器 99
4.8 LoD Tensor數據結構解讀 99
4.8.1 LoD索引 100
4.8.2 LoD Tensor在PaddlePaddle
中的表示方法 101
4.8.3 LoD Tensor的API 103
4.8.4 LoD Tensor的使用示例 105
4.9 動態圖機制——DyGraph 107
4.9.1 動態圖設置和基本用法 108
4.9.2 基于DyGraph構建網絡 109
4.9.3 使用DyGraph訓練模型 110
4.9.4 模型參數的保存 115
4.9.5 模型評估 116
4.9.6 編寫兼容的模型 118
第5章 獨孤九劍—經典圖像分類
網絡實現 119
5.1 圖像分類網絡現狀 119
5.2 VGG16圖像分類任務 123
5.2.1 定義網絡結構 124
5.2.2 定義推理程序 127
5.2.3 定義訓練程序 127
5.2.4 實例化訓練對象 128
5.2.5 讀取數據 128
5.2.6 編寫事件處理程序并
啟動訓練 129
5.2.7 執行模型預測 130
5.3 模塊化設計GoogleNet 135
5.4 Alexnet模型實現 142
5.5 Resnet模型實現 146
5.6 MobileNet V2模型實現 149
5.7 ShuffleNet V2模型實現 154
第6章 “天網”系統基礎—
目標檢測 159
6.1 目標檢測簡介 160
6.2 對R-CNN系列算法的探索歷史 161
6.2.1 R-CNN算法：目標檢測
開山之作 161
6.2.2 SPP網絡 164
6.2.3 Fast R-CNN 166
6.2.4 Faster R-CNN 167
6.3 單步目標檢測算法 177
6.3.1 統一檢測算法YOLO 178
6.3.2 SSD基本原理 181
6.3.3 SSD在訓練時的匹配策略 185
6.3.4 使用PaddlePaddle實現
SSD網絡 186
6.4 PyramidBox 203
6.4.1 提出PyramidBox方法的
背景 204
6.4.2 PyramidBox網絡結構 205
6.4.3 PyramidBox的創新點 208
6.4.4 PyramidBox的PaddlePaddle
官方實現 210
第7章 “天網”系統進階—像素級
物體分割 221
7.1 物體分割簡介 221
7.2 語義分割與實例分割的關系 222
7.3 語義分割 222
7.3.1 語義分割的任務描述 223
7.3.2 全卷積網絡 224
7.3.3 ParseNet 229
7.3.4 u-net 229
7.3.5 v-net 231
7.3.6 u-net變體網絡 231
7.3.7 PSPNet 233
7.3.8 ICNet 234
7.3.9 DeepLab v3 241
7.4 實例分割 249
7.4.1 實例分割概述 249
7.4.2 Mask R-CNN 250
第8章 從零開始了解NLP
技術—word2vec 263
8.1 初識NLP 263
8.2 詞向量簡介 265
8.3 如何得到詞向量模型 268
8.4 詞向量模型概覽 269
8.4.1 語言模型 269
8.4.2 N-Gram模型 269
8.4.3 CBOW模型 270
8.4.4 Skip-Gram 271
8.4.5 詞ID 271
8.5 通過PaddlePaddle訓練
CBOW模型 273
8.5.1 CBOW模型訓練過程 273
8.5.2 數據預處理 274
8.5.3 編程實現 274
8.5.4 模型應用 278
8.6 小結 280
第9章 feed流*懂你—
個性化推薦 282
9.1 引言 282
9.2 推薦網絡模型設計 283
9.2.1 YouTube的深度神經網絡
個性化推薦系統 284
9.2.2 融合推薦模型 286
9.3 電影推薦實驗 290
9.3.1 數據介紹與下載 290
9.3.2 模型配置說明 292
9.3.3 訓練模型 295
9.3.4 應用模型 298
9.4 小結 299
第 10章 讓機器讀懂你的心—
情感分析技術 300
10.1 情感分析及其作用 300
10.2 模型設計 303
10.3 情感分析實驗 308
第 11章 NLP技術深入理解—
語義角色標注 315
11.1 引言 315
11.2 模型概覽 317
11.2.1 棧式循環神經網絡 317
11.2.2 雙向循環神經單元 318
11.2.3 條件隨機場 319
11.2.4 深度雙向LSTM SRL模型 320
11.3 使用PaddlePaddle實現SRL
任務 322
11.3.1 數據預處理 322
11.3.2 進行PaddlePaddle實驗 324
11.4 小結 331
第 12章 NLP技術的應用—
機器翻譯 332
12.1 引言 332
12.2 效果展示 333
12.3 模型概覽 333
12.3.1 時間步展開的雙向循環
神經網絡 333
12.3.2 編碼器-解碼器框架 334
12.3.3 柱搜索算法 337
12.4 機器翻譯實戰 337
12.4.1 數據預處理 337
12.4.2 模型配置 338
12.4.3 訓練模型 342
12.4.4 應用模型 343
第 13章 PaddlePaddle移動端及嵌入式
框架—Paddle-Mobile 345
13.1 Paddle-Mobile簡介 345
13.2 Paddle-Mobile優化與適配 346
13.2.1 包壓縮 346
13.2.2 工程結構編碼前重新設計 347
13.3 移動端主體識別和分類 350
13.3.1 完全在云端的神經網絡
技術應用 352
13.3.2 移動端業界案例 353
13.3.3 在移動端應用深度學習
技術的難點 355
13.3.4 AR實時翻譯問題的
解決方案 356
13.4 編譯與開發Paddle-Mobile
平臺庫 359
13.5 開發一個基于移動端深度學習
框架的Android APP 360
13.6 Paddle-Mobile設計思想 368
第 14章 百度開源高速推理引擎——
Anakin 374
14.1 Anakin架構與性能 375
14.2 Anakin的特性 379
14.2.1 支持眾多異構平臺 379
14.2.2 高性能 379
14.2.3 匯編級的kernel優化 382
14.2.4 Anakin值得一提的
技術亮點 382
14.3 Anakin的使用方法 384
14.3.1 Anakin的工作原理 384
14.3.2 Anakin v2.0 API 385
14.4 示例程序 393
附錄A TensorFlow與PaddlePaddle Fluid
接口中常用層對照表 394
附錄B Caffe與PaddlePaddle Fluid
接口中常用層對照表 401
與AI Studio的使用 1
1.1 飛槳PaddlePaddle簡介 1
1.2 飛槳PaddlePaddle的工具組件 2
1.2.1 PaddleHub—簡明易用的
預訓練模型管理框架 2
1.2.2 PARL—基于飛槳PaddlePaddle
的深度強化學習框架 3
1.2.3 AutoDL Design—讓深度學習
來設計深度學習 4
1.2.4 VisualDL—深度學習可視化
工具庫 5
1.2.5 模型轉換工具X2Paddle 5
1.3 飛槳PaddlePaddle在百度內部
支持的案例 6
1.4 飛槳PaddlePaddle與TensorFlow的
對比 7
1.5 AI Studio簡介 8
1.6 在AI Studio中創建項目 9
1.6.1 用戶界面簡介 9
1.6.2 創建并運行一個項目 10
1.7 AI Studio單機項目概述 11
1.7.1 頁面概覽 11
1.7.2 復制項目 12
1.7.3 VisualDL工具的使用 13
1.8 Notebook環境使用說明 14
1.8.1 Notebook頁面概覽 14
1.8.2 操作區 14
1.8.3 Notebook內容編輯區 15
1.8.4 側邊欄 21
1.8.5 工具欄 23
1.9 AI Studio集群項目 23
1.9.1 集群項目說明 23
1.9.2 創建集群項目 24
1.9.3 頁面概覽 25
1.9.4 代碼編輯界面 25
1.9.5 文件管理和數據集區域 26
1.9.6 文件預覽編輯和提交任務
區域 27
1.9.7 PaddlePaddle集群訓練說明 27
1.9.8 數據集與輸出文件路徑說明 28
1.9.9 提交任務 29
1.9.10 歷史任務 29
1.9.11 預安裝包說明 30
1.10 在線部署及預測 31
1.10.1 功能說明 31
1.10.2 通過訓練任務生成模型文件 32
1.10.3 創建一個在線服務 34
1.10.4 測試沙盒服務 39
1.10.5 部署在線服務 40
1.10.6 調用在線服務 41
1.11 NumPy常規操作及使用 42
第 2章 PaddlePaddle Fluid的環境
搭建與安裝 50
2.1 在Linux系統中安裝
PaddlePaddle 50
2.1.1 租用百度BCC云服務器 50
2.1.2 安裝前的準備工作 56
2.1.3 通過pip安裝PaddlePaddle 58
2.1.4 在Docker中安裝
PaddlePaddle 59
2.2 在Windows系統中安裝
PaddlePaddle 64
2.2.1 Windows GPU驅動環境安裝 64
2.2.2 下載并安裝CUDA 65
2.2.3 安裝cuDNN 68
2.2.4 安裝PaddlePaddle 69
2.3 在macOS系統中安裝
PaddlePaddle 69
2.3.1 安裝Python 3 69
2.3.2 安裝PaddlePaddle 71
第3章 PaddlePaddle深度學習入門—
在MNIST上進行手寫
數字識別 72
3.1 引言 72
3.2 模型概覽 73
3.2.1 Softmax回歸模型 73
3.2.2 多層感知器 74
3.2.3 卷積神經網絡 75
3.3 數據介紹 78
3.4 PaddlePaddle的程序配置過程 79
3.4.1 程序說明 79
3.4.2 配置inference_program 79
3.4.3 配置train_program 81
3.4.4 配置optimizer_program 82
3.4.5 配置數據集reader 82
3.5 構建訓練過程 83
3.5.1 事件處理程序配置 83
3.5.2 開始訓練 84
3.6 應用模型 86
3.6.1 生成待預測的輸入數據 87
3.6.2 Inference創建及預測 87
3.6.3 預測結果 87
3.7 小結 88
第4章 PaddlePaddle設計思想與
核心技術 89
4.1 編譯時與運行時的概念 89
4.2 Fluid內部執行流程 90
4.3 Program設計簡介 91
4.4 Block簡介 92
4.5 Block和Program的設計細節 93
4.6 框架執行器設計思想 94
4.6.1 代碼示例 95
4.6.2 創建框架執行器 95
4.6.3 運行框架執行器 96
4.7 示例 96
4.7.1 定義Program 96
4.7.2 創建框架執行器 98
4.7.3 運行框架執行器 99
4.8 LoD Tensor數據結構解讀 99
4.8.1 LoD索引 100
4.8.2 LoD Tensor在PaddlePaddle
中的表示方法 101
4.8.3 LoD Tensor的API 103
4.8.4 LoD Tensor的使用示例 105
4.9 動態圖機制——DyGraph 107
4.9.1 動態圖設置和基本用法 108
4.9.2 基于DyGraph構建網絡 109
4.9.3 使用DyGraph訓練模型 110
4.9.4 模型參數的保存 115
4.9.5 模型評估 116
4.9.6 編寫兼容的模型 118
第5章 獨孤九劍—經典圖像分類
網絡實現 119
5.1 圖像分類網絡現狀 119
5.2 VGG16圖像分類任務 123
5.2.1 定義網絡結構 124
5.2.2 定義推理程序 127
5.2.3 定義訓練程序 127
5.2.4 實例化訓練對象 128
5.2.5 讀取數據 128
5.2.6 編寫事件處理程序并
啟動訓練 129
5.2.7 執行模型預測 130
5.3 模塊化設計GoogleNet 135
5.4 Alexnet模型實現 142
5.5 Resnet模型實現 146
5.6 MobileNet V2模型實現 149
5.7 ShuffleNet V2模型實現 154
第6章 “天網”系統基礎—
目標檢測 159
6.1 目標檢測簡介 160
6.2 對R-CNN系列算法的探索歷史 161
6.2.1 R-CNN算法：目標檢測
開山之作 161
6.2.2 SPP網絡 164
6.2.3 Fast R-CNN 166
6.2.4 Faster R-CNN 167
6.3 單步目標檢測算法 177
6.3.1 統一檢測算法YOLO 178
6.3.2 SSD基本原理 181
6.3.3 SSD在訓練時的匹配策略 185
6.3.4 使用PaddlePaddle實現
SSD網絡 186
6.4 PyramidBox 203
6.4.1 提出PyramidBox方法的
背景 204
6.4.2 PyramidBox網絡結構 205
6.4.3 PyramidBox的創新點 208
6.4.4 PyramidBox的PaddlePaddle
官方實現 210
第7章 “天網”系統進階—像素級
物體分割 221
7.1 物體分割簡介 221
7.2 語義分割與實例分割的關系 222
7.3 語義分割 222
7.3.1 語義分割的任務描述 223
7.3.2 全卷積網絡 224
7.3.3 ParseNet 229
7.3.4 u-net 229
7.3.5 v-net 231
7.3.6 u-net變體網絡 231
7.3.7 PSPNet 233
7.3.8 ICNet 234
7.3.9 DeepLab v3 241
7.4 實例分割 249
7.4.1 實例分割概述 249
7.4.2 Mask R-CNN 250
第8章 從零開始了解NLP
技術—word2vec 263
8.1 初識NLP 263
8.2 詞向量簡介 265
8.3 如何得到詞向量模型 268
8.4 詞向量模型概覽 269
8.4.1 語言模型 269
8.4.2 N-Gram模型 269
8.4.3 CBOW模型 270
8.4.4 Skip-Gram 271
8.4.5 詞ID 271
8.5 通過PaddlePaddle訓練
CBOW模型 273
8.5.1 CBOW模型訓練過程 273
8.5.2 數據預處理 274
8.5.3 編程實現 274
8.5.4 模型應用 278
8.6 小結 280
第9章 feed流*懂你—
個性化推薦 282
9.1 引言 282
9.2 推薦網絡模型設計 283
9.2.1 YouTube的深度神經網絡
個性化推薦系統 284
9.2.2 融合推薦模型 286
9.3 電影推薦實驗 290
9.3.1 數據介紹與下載 290
9.3.2 模型配置說明 292
9.3.3 訓練模型 295
9.3.4 應用模型 298
9.4 小結 299
第 10章 讓機器讀懂你的心—
情感分析技術 300
10.1 情感分析及其作用 300
10.2 模型設計 303
10.3 情感分析實驗 308
第 11章 NLP技術深入理解—
語義角色標注 315
11.1 引言 315
11.2 模型概覽 317
11.2.1 棧式循環神經網絡 317
11.2.2 雙向循環神經單元 318
11.2.3 條件隨機場 319
11.2.4 深度雙向LSTM SRL模型 320
11.3 使用PaddlePaddle實現SRL
任務 322
11.3.1 數據預處理 322
11.3.2 進行PaddlePaddle實驗 324
11.4 小結 331
第 12章 NLP技術的應用—
機器翻譯 332
12.1 引言 332
12.2 效果展示 333
12.3 模型概覽 333
12.3.1 時間步展開的雙向循環
神經網絡 333
12.3.2 編碼器-解碼器框架 334
12.3.3 柱搜索算法 337
12.4 機器翻譯實戰 337
12.4.1 數據預處理 337
12.4.2 模型配置 338
12.4.3 訓練模型 342
12.4.4 應用模型 343
第 13章 PaddlePaddle移動端及嵌入式
框架—Paddle-Mobile 345
13.1 Paddle-Mobile簡介 345
13.2 Paddle-Mobile優化與適配 346
13.2.1 包壓縮 346
13.2.2 工程結構編碼前重新設計 347
13.3 移動端主體識別和分類 350
13.3.1 完全在云端的神經網絡
技術應用 352
13.3.2 移動端業界案例 353
13.3.3 在移動端應用深度學習
技術的難點 355
13.3.4 AR實時翻譯問題的
解決方案 356
13.4 編譯與開發Paddle-Mobile
平臺庫 359
13.5 開發一個基于移動端深度學習
框架的Android APP 360
13.6 Paddle-Mobile設計思想 368
第 14章 百度開源高速推理引擎——
Anakin 374
14.1 Anakin架構與性能 375
14.2 Anakin的特性 379
14.2.1 支持眾多異構平臺 379
14.2.2 高性能 379
14.2.3 匯編級的kernel優化 382
14.2.4 Anakin值得一提的
技術亮點 382
14.3 Anakin的使用方法 384
14.3.1 Anakin的工作原理 384
14.3.2 Anakin v2.0 API 385
14.4 示例程序 393
附錄A TensorFlow與PaddlePaddle Fluid
接口中常用層對照表 394
附錄B Caffe與PaddlePaddle Fluid
接口中常用層對照表 401
展開全部
深度學習與飛槳PADDLEPADDLE FLUID實戰 作者簡介
于祥 百度PaddlePaddle技術運營。2015年開始研究神經網絡技術，早期從事基于深度學習的身份認證技術研發，曾負責上海智慧城市項目和華潤集團項目的算法支持，曾獲得ACM-ICPC與CCCC-GPLT銀獎。
書友推薦
- >
伯納黛特,你要去哪(2021新版)
- >
伊索寓言-世界文學名著典藏-全譯本
- >
苦雨齋序跋文-周作人自編集
- >
隨園食單
- >
羅庸西南聯大授課錄
- >
回憶愛瑪儂
- >
小考拉的故事-套裝共3冊
- >
我從未如此眷戀人間
本類暢銷
