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
深度生成模型(全彩) 版權信息
- ISBN：9787121460180
- 條形碼：9787121460180 ; 978-7-121-46018-0
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度生成模型(全彩) 本書特色
深學細悟筑基石，任憑風浪起，穩步邁進通用人工智能 →用本書可 可系統學習自回歸模型、流模型、隱變量模型、基于能量的模型等 →學會本書可 構建可又快又準地作出決策的AI系統 這種AI系統將從生成的角度來理解周邊世界
深度生成模型(全彩) 內容簡介
構建通用人工智能的關鍵就是無監督學習，而不需要標簽來訓練模型，*簡單的方法就是使用深度生成模型。本書主要講述如何將概率建模和深度學習結合起來去構建可以量化周邊環境不確定性的強大的 AI 系統。這種AI系統可以從生成的角度來理解周邊世界。本書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。這些模型構成了以 ChatGPT 為代表的大語言模型，以及以 Stable Diffusion 為代表的擴散模型等深度生成模型背后的技術基石。 本書適合具備微積分、線性代數、概率論等大學本科水平，并且了解機器學習、Python 及PyTorch 等深度學習框架的學生、工程師和研究人員閱讀。無論讀者的背景如何，只要對深度生成模型有興趣，都能從本書中獲益。
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 本書的目的和內容 8
1.5 參考文獻 9
第 2 章 自回歸模型 13
2.1簡介 13
2.2 由神經網絡參數化的自回歸模型 14
2.2.1 有限記憶 14
2.2.2 基于循環神經網絡的長距記憶 15
2.2.3 基于卷積神經網絡的長距記憶 16
2.3 深度生成自回歸模型實踐 19
2.4 還未結束 22
2.5 參考文獻 24
第 3 章 流模型27
3.1 連續隨機變量的流模型 27
3.1.1 簡介 27
3.1.2 深度生成網絡中的變量替換 30
3.1.3 構建 RealNVP 的組件 32
3.1.4 流模型實踐 33
3.1.5 代碼 34
3.1.6 還未結束 38
3.1.7 ResNet 流模型和 DenseNet 流模型39
3.2 離散隨機變量的流模型 41
3.2.1 簡介 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 接下來的工作 53
3.3 參考文獻 54
第 4 章 隱變量模型 57
4.1 簡介 57
4.2 概率主成分分析 58
4.3 變分自動編碼器：非線性隱變量模型的變分推理60
4.3.1 模型和目標 60
4.3.2 ELBO 的不同解讀 61
4.3.3 VAE 的組件 62
4.3.4 VAE 實踐 65
4.3.5 代碼 66
4.3.6 VAE 的常見問題 71
4.3.7 還有更多 72
4.4 改進變分自動編碼器 75
4.4.1先驗 75
4.4.2 變分后驗 92
4.5 分層隱變量模型 99
4.5.1簡介 99
4.5.2 分層 VAE 103
4.5.3 基于擴散的深度生成模型 112
4.6 參考文獻 121
第 5 章 混合建模128
5.1簡介 128
5.1.1 方法一：從*簡單的情況開始128
5.1.2 方法二：共享參數化 130
5.2 混合建模 130
5.3 代碼實現 132
5.4代碼 134
5.5后續 138
5.6 參考文獻 139
第 6 章 基于能量的模型 141
6.1簡介 141
6.2 模型構建 143
6.3訓練 145
6.4代碼 147
6.5 受限玻爾茲曼機150
6.6結語 153
6.7 參考文獻 154
第 7 章 生成對抗網絡 157
7.1簡介 157
7.2 使用生成對抗網絡做隱含建模159
7.3 代碼實現 162
7.4 不同種類的生成對抗網絡167
7.5 參考文獻 169
第 8 章 用于神經壓縮的深度生成模型 171
8.1簡介 171
8.2 通用壓縮方案 172
8.3 簡短介紹：JPEG 174
8.4 神經壓縮：組件175
8.5后續 185
8.6 參考文獻 185
附錄 A 一些有用的代數與運算知識 187
A.1 范數與內積 187
A.2 矩陣運算188
附錄 B 一些有用的概率論和統計學知識190
B.1 常用概率分布190
B.2 統計學 192
索引 194
展開全部
深度生成模型(全彩) 相關資料
ChatGPT 背后的 Tranformer 架構及其從 GPT-1、GPT-2 到 BERT、GPT-3等相關模型，都基于本書第 4 章所述的自動編碼器和第 2 章所述的自回歸模型發展而來。ChatGPT 及其他相關大語言模型主要集中在數據采集、數據規模和質量及模型參數擴展上，但其生成模型基礎架構仍然基于本書所述，只是對語言模型進行了優化。 在圖像生成領域，擴散模型（Diffusion Model）是隱變量模型的一種，是自動編碼器的一種特殊實例，在本書第 4 章隱變量模型中有所涉及。擴散模型廣泛應用于 DALL-E 2、Stable Diffusion、Imagen、Muse 和 Midjourney 等相關模型和產品中。 除了上述的文本生成圖像或文本生成文本的生成模型，更多多模態應用正在如火如荼地發展，例如從文本到 3D 模型（Dreamfusion、Magic3D）、視頻（Phenaki、Soundify）、語音（AudioLM、Whisper、Jukebox）、代碼（CodeX、Alphacode），以及從圖像生成文本的模型（Flamingo、VisualGPT）等。這些應用的技術基石都可以在本書中找到。 譯者 王冠 很多方法都可以被認為是這種無監督學習的“輔助任務”，如一些概率生成模型。比如，變分自動編碼器（VAE）就是用信息瓶頸來返回預測自己本身的模型輸入；生成對抗網絡（GAN）就是預測輸入數據是真實的圖像（原數據點）還是假的圖像（生成圖像）；噪聲對比估計就是在隱空間中預測輸入數據的隱變量在時間或空間中是否相近。本書討論了深度生成模型的最新進展。本書的特別之處在于，像孩子們通過搭積木去學習物理規律一樣，本書讀者可以通過代碼來學習深度生成模型。本書作者在這個領域發表了大量論文，對該領域有深刻的認知。本書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) 作者簡介
Jakub M. Tomczak：阿姆斯特丹自由大學計算智能小組的人工智能助理教授、弗羅茨瓦夫理工大學機器學習 博士，曾在阿姆斯特丹高通人工智能研究公司擔任深度學習研究員（員工工程師），以及瑪麗斯克洛多夫斯卡-居里教授的個人研究員。研究興趣包括概率建模、深度學習、近似貝葉斯建模和深度生成建模（特別關注變分自動編碼器和基于流的模型）。 王冠，北京大學物理及計算機學士，香港科技大學物理研究型碩士，谷歌機器學習開發者專家，先后在多個學術和工業研究實驗室從事機器學習、計算機視覺和自然語言處理的研發，并在保險行業應用人工智能方面有多年的經驗，《Rasa實戰：構建開源對話機器人》作者，發表了數篇相關領域的學術論文，擁有多項工業專利。他還是一位活躍的技術博主和開源社區貢獻者，在GitHub上的開源項目獲得了超過12,000個星標。
書友推薦
- >
上帝之肋:男人的真實旅程
- >
姑媽的寶刀
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
- >
名家帶你讀魯迅:故事新編
- >
羅曼·羅蘭讀書隨筆-精裝
- >
山海經
- >
朝聞道
- >
唐代進士錄
本類暢銷
