中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 深度生成模型(全彩)
開(kāi)本：
其他
頁(yè)數(shù)：
216
本類五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥65.8
加入購(gòu)物車
深度生成模型(全彩) 版權(quán)信息
- ISBN：9787121460180
- 條形碼：9787121460180 ; 978-7-121-46018-0
- 裝幀：平裝-膠訂
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類：>
深度生成模型(全彩) 本書(shū)特色
深學(xué)細(xì)悟筑基石，任憑風(fēng)浪起，穩(wěn)步邁進(jìn)通用人工智能 →用本書(shū)可 可系統(tǒng)學(xué)習(xí)自回歸模型、流模型、隱變量模型、基于能量的模型等 →學(xué)會(huì)本書(shū)可 構(gòu)建可又快又準(zhǔn)地作出決策的AI系統(tǒng) 這種AI系統(tǒng)將從生成的角度來(lái)理解周邊世界
深度生成模型(全彩) 內(nèi)容簡(jiǎn)介
構(gòu)建通用人工智能的關(guān)鍵就是無(wú)監(jiān)督學(xué)習(xí)，而不需要標(biāo)簽來(lái)訓(xùn)練模型，*簡(jiǎn)單的方法就是使用深度生成模型。本書(shū)主要講述如何將概率建模和深度學(xué)習(xí)結(jié)合起來(lái)去構(gòu)建可以量化周邊環(huán)境不確定性的強(qiáng)大的 AI 系統(tǒng)。這種AI系統(tǒng)可以從生成的角度來(lái)理解周邊世界。本書(shū)涵蓋了深度生成模型的多種類型，包括自回歸模型、流模型、隱變量模型、基于能量的模型等。這些模型構(gòu)成了以 ChatGPT 為代表的大語(yǔ)言模型，以及以 Stable Diffusion 為代表的擴(kuò)散模型等深度生成模型背后的技術(shù)基石。 本書(shū)適合具備微積分、線性代數(shù)、概率論等大學(xué)本科水平，并且了解機(jī)器學(xué)習(xí)、Python 及PyTorch 等深度學(xué)習(xí)框架的學(xué)生、工程師和研究人員閱讀。無(wú)論讀者的背景如何，只要對(duì)深度生成模型有興趣，都能從本書(shū)中獲益。
深度生成模型(全彩) 目錄
第 1 章 為什么要用深度生成模型1
1.1 AI 不只是做決策 1
1.2 在哪里使用（深度）生成模型 3
1.3 如何定義（深度）生成模型 4
1.3.1 自回歸模型 5
1.3.2 流模型 5
1.3.3 隱變量模型 6
1.3.4 能量模型 7
1.3.5 概論 7
1.4 本書(shū)的目的和內(nèi)容 8
1.5 參考文獻(xiàn) 9
第 2 章 自回歸模型 13
2.1簡(jiǎn)介 13
2.2 由神經(jīng)網(wǎng)絡(luò)參數(shù)化的自回歸模型 14
2.2.1 有限記憶 14
2.2.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)距記憶 15
2.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的長(zhǎng)距記憶 16
2.3 深度生成自回歸模型實(shí)踐 19
2.4 還未結(jié)束 22
2.5 參考文獻(xiàn) 24
第 3 章 流模型27
3.1 連續(xù)隨機(jī)變量的流模型 27
3.1.1 簡(jiǎn)介 27
3.1.2 深度生成網(wǎng)絡(luò)中的變量替換 30
3.1.3 構(gòu)建 RealNVP 的組件 32
3.1.4 流模型實(shí)踐 33
3.1.5 代碼 34
3.1.6 還未結(jié)束 38
3.1.7 ResNet 流模型和 DenseNet 流模型39
3.2 離散隨機(jī)變量的流模型 41
3.2.1 簡(jiǎn)介 41
3.2.2 R 中還是 Z 中的流模型 44
3.2.3 整形離散流模型 45
3.2.4 代碼 49
3.2.5 接下來(lái)的工作 53
3.3 參考文獻(xiàn) 54
第 4 章 隱變量模型 57
4.1 簡(jiǎn)介 57
4.2 概率主成分分析 58
4.3 變分自動(dòng)編碼器：非線性隱變量模型的變分推理60
4.3.1 模型和目標(biāo) 60
4.3.2 ELBO 的不同解讀 61
4.3.3 VAE 的組件 62
4.3.4 VAE 實(shí)踐 65
4.3.5 代碼 66
4.3.6 VAE 的常見(jiàn)問(wèn)題 71
4.3.7 還有更多 72
4.4 改進(jìn)變分自動(dòng)編碼器 75
4.4.1先驗(yàn) 75
4.4.2 變分后驗(yàn) 92
4.5 分層隱變量模型 99
4.5.1簡(jiǎn)介 99
4.5.2 分層 VAE 103
4.5.3 基于擴(kuò)散的深度生成模型 112
4.6 參考文獻(xiàn) 121
第 5 章 混合建模128
5.1簡(jiǎn)介 128
5.1.1 方法一：從*簡(jiǎn)單的情況開(kāi)始128
5.1.2 方法二：共享參數(shù)化 130
5.2 混合建模 130
5.3 代碼實(shí)現(xiàn) 132
5.4代碼 134
5.5后續(xù) 138
5.6 參考文獻(xiàn) 139
第 6 章 基于能量的模型 141
6.1簡(jiǎn)介 141
6.2 模型構(gòu)建 143
6.3訓(xùn)練 145
6.4代碼 147
6.5 受限玻爾茲曼機(jī)150
6.6結(jié)語(yǔ) 153
6.7 參考文獻(xiàn) 154
第 7 章 生成對(duì)抗網(wǎng)絡(luò) 157
7.1簡(jiǎn)介 157
7.2 使用生成對(duì)抗網(wǎng)絡(luò)做隱含建模159
7.3 代碼實(shí)現(xiàn) 162
7.4 不同種類的生成對(duì)抗網(wǎng)絡(luò)167
7.5 參考文獻(xiàn) 169
第 8 章 用于神經(jīng)壓縮的深度生成模型 171
8.1簡(jiǎn)介 171
8.2 通用壓縮方案 172
8.3 簡(jiǎn)短介紹：JPEG 174
8.4 神經(jīng)壓縮：組件175
8.5后續(xù) 185
8.6 參考文獻(xiàn) 185
附錄 A 一些有用的代數(shù)與運(yùn)算知識(shí) 187
A.1 范數(shù)與內(nèi)積 187
A.2 矩陣運(yùn)算188
附錄 B 一些有用的概率論和統(tǒng)計(jì)學(xué)知識(shí)190
B.1 常用概率分布190
B.2 統(tǒng)計(jì)學(xué) 192
索引 194
展開(kāi)全部
深度生成模型(全彩) 相關(guān)資料
ChatGPT 背后的 Tranformer 架構(gòu)及其從 GPT-1、GPT-2 到 BERT、GPT-3等相關(guān)模型，都基于本書(shū)第 4 章所述的自動(dòng)編碼器和第 2 章所述的自回歸模型發(fā)展而來(lái)。ChatGPT 及其他相關(guān)大語(yǔ)言模型主要集中在數(shù)據(jù)采集、數(shù)據(jù)規(guī)模和質(zhì)量及模型參數(shù)擴(kuò)展上，但其生成模型基礎(chǔ)架構(gòu)仍然基于本書(shū)所述，只是對(duì)語(yǔ)言模型進(jìn)行了優(yōu)化。 在圖像生成領(lǐng)域，擴(kuò)散模型（Diffusion Model）是隱變量模型的一種，是自動(dòng)編碼器的一種特殊實(shí)例，在本書(shū)第 4 章隱變量模型中有所涉及。擴(kuò)散模型廣泛應(yīng)用于 DALL-E 2、Stable Diffusion、Imagen、Muse 和 Midjourney 等相關(guān)模型和產(chǎn)品中。 除了上述的文本生成圖像或文本生成文本的生成模型，更多多模態(tài)應(yīng)用正在如火如荼地發(fā)展，例如從文本到 3D 模型（Dreamfusion、Magic3D）、視頻（Phenaki、Soundify）、語(yǔ)音（AudioLM、Whisper、Jukebox）、代碼（CodeX、Alphacode），以及從圖像生成文本的模型（Flamingo、VisualGPT）等。這些應(yīng)用的技術(shù)基石都可以在本書(shū)中找到。 譯者 王冠 很多方法都可以被認(rèn)為是這種無(wú)監(jiān)督學(xué)習(xí)的“輔助任務(wù)”，如一些概率生成模型。比如，變分自動(dòng)編碼器（VAE）就是用信息瓶頸來(lái)返回預(yù)測(cè)自己本身的模型輸入；生成對(duì)抗網(wǎng)絡(luò)（GAN）就是預(yù)測(cè)輸入數(shù)據(jù)是真實(shí)的圖像（原數(shù)據(jù)點(diǎn)）還是假的圖像（生成圖像）；噪聲對(duì)比估計(jì)就是在隱空間中預(yù)測(cè)輸入數(shù)據(jù)的隱變量在時(shí)間或空間中是否相近。本書(shū)討論了深度生成模型的最新進(jìn)展。本書(shū)的特別之處在于，像孩子們通過(guò)搭積木去學(xué)習(xí)物理規(guī)律一樣，本書(shū)讀者可以通過(guò)代碼來(lái)學(xué)習(xí)深度生成模型。本書(shū)作者在這個(gè)領(lǐng)域發(fā)表了大量論文，對(duì)該領(lǐng)域有深刻的認(rèn)知。本書(shū)可以作為概率生成模型課程的教材。 Max Welling
深度生成模型(全彩) 作者簡(jiǎn)介
Jakub M. Tomczak：阿姆斯特丹自由大學(xué)計(jì)算智能小組的人工智能助理教授、弗羅茨瓦夫理工大學(xué)機(jī)器學(xué)習(xí) 博士，曾在阿姆斯特丹高通人工智能研究公司擔(dān)任深度學(xué)習(xí)研究員（員工工程師），以及瑪麗斯克洛多夫斯卡-居里教授的個(gè)人研究員。研究興趣包括概率建模、深度學(xué)習(xí)、近似貝葉斯建模和深度生成建模（特別關(guān)注變分自動(dòng)編碼器和基于流的模型）。 王冠，北京大學(xué)物理及計(jì)算機(jī)學(xué)士，香港科技大學(xué)物理研究型碩士，谷歌機(jī)器學(xué)習(xí)開(kāi)發(fā)者專家，先后在多個(gè)學(xué)術(shù)和工業(yè)研究實(shí)驗(yàn)室從事機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理的研發(fā)，并在保險(xiǎn)行業(yè)應(yīng)用人工智能方面有多年的經(jīng)驗(yàn)，《Rasa實(shí)戰(zhàn)：構(gòu)建開(kāi)源對(duì)話機(jī)器人》作者，發(fā)表了數(shù)篇相關(guān)領(lǐng)域的學(xué)術(shù)論文，擁有多項(xiàng)工業(yè)專利。他還是一位活躍的技術(shù)博主和開(kāi)源社區(qū)貢獻(xiàn)者，在GitHub上的開(kāi)源項(xiàng)目獲得了超過(guò)12,000個(gè)星標(biāo)。
書(shū)友推薦
- >
上帝之肋:男人的真實(shí)旅程
- >
朝聞道
- >
詩(shī)經(jīng)-先民的歌唱
- >
龍榆生：詞曲概論/大家小書(shū)
- >
二體千字文
- >
伯納黛特,你要去哪(2021新版)
- >
推拿
- >
【精裝繪本】畫(huà)給孩子的中國(guó)神話
本類暢銷
