中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 Python深度學(xué)習(xí):模型、方法與實現(xiàn)
開本：
16開
頁數(shù)：
316
本類五星書更多>
-
>
全國計算機(jī)等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應(yīng)用
-
>
決戰(zhàn)行測5000題(言語理解與表達(dá))
-
>
軟件性能測試.分析與調(diào)優(yōu)實踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
買過本商品的人還買了
Python深度學(xué)習(xí):模型、方法與實現(xiàn) 版權(quán)信息
- ISBN：9787111688457
- 條形碼：9787111688457 ; 978-7-111-68845-7
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
Python深度學(xué)習(xí):模型、方法與實現(xiàn) 本書特色
適讀人群 ：數(shù)據(jù)科學(xué)家、深度學(xué)習(xí)工程師和研究人員，以及想要掌握深度學(xué)習(xí)，并想建立自己的創(chuàng)新和獨特的深度學(xué)習(xí)項目的AI開發(fā)者為了構(gòu)建穩(wěn)健的深度學(xué)習(xí)系統(tǒng)，需要理解神經(jīng)網(wǎng)絡(luò)的工作原理以及如何訓(xùn)練CNN模型等知識。通過本書，你可以探索新開發(fā)的深度學(xué)習(xí)模型及其在各個領(lǐng)域的使用方法，以及基于應(yīng)用領(lǐng)域的實現(xiàn)。 本書首先介紹構(gòu)建模塊和神經(jīng)網(wǎng)絡(luò)背后的數(shù)學(xué)知識，然后介紹CNN及其在計算機(jī)視覺領(lǐng)域的先進(jìn)應(yīng)用，以及在對象檢測和圖像分割中應(yīng)用流行的CNN架構(gòu)。還將介紹變分自編碼器和GAN，以及如何使用神經(jīng)網(wǎng)絡(luò)來提取單詞的復(fù)雜向量表示。在繼續(xù)討論各種類型的循環(huán)網(wǎng)絡(luò)(如LSTM和GRU)之前，會介紹如何在沒有RNN的情況下使用注意力機(jī)制處理序列數(shù)據(jù)。然后，介紹如何使用圖神經(jīng)網(wǎng)絡(luò)處理結(jié)構(gòu)化數(shù)據(jù)，以及如何使用元學(xué)習(xí)采用較少的訓(xùn)練樣本來訓(xùn)練神經(jīng)網(wǎng)絡(luò)。后，了解如何將深度學(xué)習(xí)應(yīng)用于自動駕駛汽車。 閱讀本書，你將掌握關(guān)鍵的深度學(xué)習(xí)概念和深度學(xué)習(xí)模型在現(xiàn)實世界中的不同應(yīng)用。你將學(xué)到： ·先進(jìn)的神經(jīng)網(wǎng)絡(luò)架構(gòu)。 ·神經(jīng)網(wǎng)絡(luò)背后的理論和數(shù)學(xué)知識。 ·訓(xùn)練DNN并將其應(yīng)用于現(xiàn)代深度學(xué)習(xí)問題。 ·使用CNN進(jìn)行對象檢測和圖像分割。 ·實現(xiàn)GAN和變分自編碼器來產(chǎn)生 新圖像。 ·使用seq2seq模型解決NLP任務(wù)，如機(jī)器翻譯。 ·了解DL技術(shù)，如元學(xué)習(xí)和圖神經(jīng)網(wǎng)絡(luò)。
Python深度學(xué)習(xí):模型、方法與實現(xiàn) 內(nèi)容簡介
本書集合了基于應(yīng)用領(lǐng)域的不錯深度學(xué)習(xí)的模型、方法和實現(xiàn)。本書分為四部分。部分介紹了深度學(xué)習(xí)的構(gòu)建和神經(jīng)網(wǎng)絡(luò)背后的數(shù)學(xué)知識。第二部分討論深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域的應(yīng)用。第三部分闡述了自然語言和序列處理。講解了使用神經(jīng)網(wǎng)絡(luò)提取復(fù)雜的單詞向量表示。討論了各種類型的循環(huán)網(wǎng)絡(luò)，如長短期記憶網(wǎng)絡(luò)和門控循環(huán)單元網(wǎng)絡(luò)。第四部分介紹一些雖然還沒有被廣泛采用但有前途的深度學(xué)習(xí)技術(shù)，包括如何在自動駕駛上應(yīng)用深度學(xué)習(xí)。學(xué)完本書，讀者將掌握與深度學(xué)習(xí)相關(guān)的關(guān)鍵概念，學(xué)會如何使用TensorFlow和PyTorch實現(xiàn)相應(yīng)的AI解決方案。
Python深度學(xué)習(xí):模型、方法與實現(xiàn) 目錄
譯者序
前言
作者簡介
審校者簡介
**部分核心概念
第1章神經(jīng)網(wǎng)絡(luò)的具體細(xì)節(jié)2
1.1神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)基礎(chǔ)2
1.1.1線性代數(shù)2
1.1.2概率介紹6
1.1.3微分學(xué)16
1.2神經(jīng)網(wǎng)絡(luò)的簡單介紹18
1.2.1神經(jīng)元18
1.2.2層的運算19
1.2.3神經(jīng)網(wǎng)絡(luò)21
1.2.4激活函數(shù)22
1.2.5通用逼近定理25
1.3訓(xùn)練神經(jīng)網(wǎng)絡(luò)27
1.3.1梯度下降27
1.3.2代價函數(shù)28
1.3.3反向傳播30
1.3.4權(quán)重初始化32
1.3.5SGD改進(jìn)33
1.4總結(jié)35
第二部分計算機(jī)視覺
第2章理解卷積網(wǎng)絡(luò)38
2.1理解CNN38
2.1.1卷積類型43
2.1.2提高CNN的效率46
2.1.3可視化CNN51
2.1.4CNN正則化54
2.2遷移學(xué)習(xí)介紹56
2.2.1使用PyTorch實現(xiàn)遷移學(xué)習(xí)57
2.2.2使用TensorFlow 2.0實現(xiàn)遷移學(xué)習(xí)62
2.3總結(jié)66
第3章高級卷積網(wǎng)絡(luò)67
3.1AlexNet介紹67
3.2VGG介紹68
3.3理解殘差網(wǎng)絡(luò)70
3.4理解Inception網(wǎng)絡(luò)78
3.4.1Inception v179
3.4.2Inception v2和v380
3.4.3Inception v4和InceptionResNet81
3.5Xception介紹82
3.6MobileNet介紹83
3.7DenseNet介紹85
3.8神經(jīng)架構(gòu)搜索的工作原理87
3.9膠囊網(wǎng)絡(luò)介紹91
3.9.1卷積網(wǎng)絡(luò)的局限性91
3.9.2膠囊92
3.9.3膠囊網(wǎng)絡(luò)的結(jié)構(gòu)94
3.10總結(jié)95
第4章對象檢測與圖像分割96
4.1對象檢測介紹96
4.1.1對象檢測的方法96
4.1.2使用YOLO v3進(jìn)行對象檢測98
4.1.3使用Faster RCNN進(jìn)行對象檢測104
4.2圖像分割介紹110
4.2.1使用UNet進(jìn)行語義分割110
4.2.2使用Mask RCNN進(jìn)行實例分割112
4.3總結(jié)115
第5章生成模型116
5.1生成模型的直覺和證明116
5.2VAE介紹117
5.3GAN介紹124
5.3.1訓(xùn)練GAN125
5.3.2實現(xiàn)GAN128
5.3.3訓(xùn)練GAN的缺陷129
5.4GAN的類型129
5.4.1DCGAN130
5.4.2CGAN135
5.4.3WGAN137
5.4.4使用CycleGAN實現(xiàn)圖像到圖像的轉(zhuǎn)換142
5.5藝術(shù)風(fēng)格遷移介紹150
5.6總結(jié)151
第三部分自然語言和序列處理
第6章語言建模154
6.1理解ngram154
6.2神經(jīng)語言模型介紹156
6.2.1神經(jīng)概率語言模型157
6.2.2word2vec158
6.2.3GloVe模型161
6.3實現(xiàn)語言模型164
6.3.1訓(xùn)練嵌入模型164
6.3.2可視化嵌入向量166
6.4總結(jié)169
第7章理解RNN170
7.1RNN介紹170
7.2長短期記憶介紹180
7.3門控循環(huán)單元介紹187
7.4實現(xiàn)文本分類189
7.5總結(jié)193
第8章seq2seq模型和注意力機(jī)制194
8.1seq2seq模型介紹194
8.2使用注意力的seq2seq196
8.2.1Bahdanau Attention196
8.2.2Luong Attention199
8.2.3一般注意力200
8.2.4使用注意力實現(xiàn)seq2seq201
8.3理解transformer207
8.3.1transformer注意力207
8.3.2transformer模型210
8.3.3實現(xiàn)transformer212
8.4transformer語言模型219
8.4.1基于transformer的雙向編碼器表示219
8.4.2transformerXL224
8.4.3XLNet227
8.4.4使用transformer語言模型生成文本230
8.5總結(jié)231
第四部分展望未來
第9章新興的神經(jīng)網(wǎng)絡(luò)設(shè)計234
9.1GNN介紹234
9.1.1循環(huán)GNN236
9.1.2卷積圖神經(jīng)網(wǎng)絡(luò)238
9.1.3圖自編碼器244
9.1.4神經(jīng)圖學(xué)習(xí)246
9.2記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)介紹251
9.2.1神經(jīng)圖靈機(jī)251
9.2.2MANN*256
9.3總結(jié)257
第10章元學(xué)習(xí)258
10.1元學(xué)習(xí)介紹258
10.1.1零樣本學(xué)習(xí)259
10.1.2單樣本學(xué)習(xí)260
10.1.3元訓(xùn)練和元測試261
10.2基于度量的元學(xué)習(xí)262
10.2.1為單樣本學(xué)習(xí)匹配網(wǎng)絡(luò)263
10.2.2孿生網(wǎng)絡(luò)264
10.2.3原型網(wǎng)絡(luò)267
10.3基于優(yōu)化的元學(xué)習(xí)269
10.4總結(jié)274
第11章自動駕駛汽車的深度學(xué)習(xí)275
11.1自動駕駛汽車介紹275
11.1.1自動駕駛汽車研究簡史275
11.1.2自動化的級別277
11.2自動駕駛汽車系統(tǒng)的組件278
11.2.1環(huán)境感知280
11.2.2路徑規(guī)劃282
11.33D數(shù)據(jù)處理介紹282
11.4模仿駕駛策略285
11.5ChauffeurNet駕駛策略294
11.5.1輸入/輸出表示294
11.5.2模型架構(gòu)296
11.5.3訓(xùn)練297
11.6總結(jié)300
展開全部
書友推薦
- >
有舍有得是人生
- >
隨園食單
- >
羅庸西南聯(lián)大授課錄
- >
伯納黛特,你要去哪(2021新版)
- >
中國人在烏蘇里邊疆區(qū):歷史與人類學(xué)概述
- >
【精裝繪本】畫給孩子的中國神話
- >
回憶愛瑪儂
- >
小考拉的故事-套裝共3冊
本類暢銷
