中圖網(wǎng)小程序
一鍵登錄
更方便
包郵 PaddlePaddle深度學(xué)習(xí)實(shí)踐 微課視頻版
作者：盧睿,李林瑛 著
開(kāi)本：
16開(kāi)
頁(yè)數(shù)：
244
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)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):¥44.7
加入購(gòu)物車(chē)
PaddlePaddle深度學(xué)習(xí)實(shí)踐 微課視頻版 版權(quán)信息
- ISBN：9787302664499
- 條形碼：9787302664499 ; 978-7-302-66449-9
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
PaddlePaddle深度學(xué)習(xí)實(shí)踐 微課視頻版 本書(shū)特色
本書(shū)是一本關(guān)于深度學(xué)習(xí)的入門(mén)級(jí)教程，在編寫(xiě)過(guò)程中始終遵循“內(nèi)容基礎(chǔ)、由淺入深、注重實(shí)踐”。書(shū)中較為全面地覆蓋了深度學(xué)習(xí)所必須具備的基礎(chǔ)知識(shí)以及主要模型，包括Python核心庫(kù)編程基礎(chǔ)、數(shù)學(xué)基礎(chǔ)、感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)以及自注意力模型，并給出模型和算法的代碼實(shí)現(xiàn)，盡量做到理論和實(shí)踐高度融合。具體內(nèi)容的章節(jié)安排充分考慮了讀者的特點(diǎn)和認(rèn)知規(guī)律，在知識(shí)架構(gòu)和案例穿插的設(shè)計(jì)上確保強(qiáng)化基礎(chǔ)、循序漸進(jìn)、由淺入深。本書(shū)的另外一個(gè)重要特點(diǎn)是提供了大量深度學(xué)習(xí)有趣案例，覆蓋了從網(wǎng)絡(luò)數(shù)據(jù)爬取到計(jì)算機(jī)視覺(jué)、自然語(yǔ)言處理等領(lǐng)域經(jīng)典的模型和應(yīng)用案例。本書(shū)每章經(jīng)典模型和案例都提供了完整PaddlePaddle代碼，并給出詳細(xì)解析和說(shuō)明，以便加深加快讀者對(duì)所學(xué)內(nèi)容的理解和掌握。
PaddlePaddle深度學(xué)習(xí)實(shí)踐 微課視頻版 內(nèi)容簡(jiǎn)介
全書(shū)共8章，可分為三部分。**部分為深度學(xué)習(xí)基礎(chǔ)篇，包括第1、2章，介紹Python基礎(chǔ)、數(shù)學(xué)基礎(chǔ)、深度學(xué)習(xí)的概念和任務(wù)；第二部分為深度學(xué)習(xí)基本模型篇，包括第3~5章，介紹卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和基于自注意力機(jī)制的Transformer模型；第三部分為自然語(yǔ)言應(yīng)用篇，包括第6~8章，介紹詞向量、預(yù)訓(xùn)練語(yǔ)言模型、詞法分析等自然語(yǔ)言處理領(lǐng)域的應(yīng)用和實(shí)踐。書(shū)中各章相互獨(dú)立，讀者可根據(jù)自己的興趣和時(shí)間使用。書(shū)中每章都給出了相應(yīng)的實(shí)踐內(nèi)容，建議讀者在閱讀時(shí)，輔以代碼實(shí)踐，快速上手深度學(xué)習(xí)，加深對(duì)模型的理解。
本書(shū)內(nèi)容基礎(chǔ)、案例豐富，適合作為高等院校人工智能及相關(guān)專業(yè)的教材，也可供研究人員和技術(shù)人員參考。
PaddlePaddle深度學(xué)習(xí)實(shí)踐 微課視頻版 目錄
隨書(shū)資源
**分深度學(xué)基礎(chǔ)
第1章Python與數(shù)學(xué)基礎(chǔ)
1.1Python簡(jiǎn)介
1.2深度學(xué)常用Python庫(kù)
1.2.1NumPy庫(kù)
1.2.2Matplotlib庫(kù)
1.3PaddlePaddle基礎(chǔ)
1.3.1張量的概念
1.3.2調(diào)整張量形狀
1.3.3索引和切片
1.3.4自動(dòng)微分
1.3.5PaddlePaddle中的模型與層
1.4數(shù)學(xué)基礎(chǔ)
1.4.1線性代數(shù)
1.4.2微分基礎(chǔ)
1.5案例： 《青春有你2》爬取與數(shù)據(jù)分析
1.5.1思路分析
1.5.2獲取網(wǎng)頁(yè)頁(yè)面
1.5.3解析頁(yè)面
1.5.4爬取選手百度百科圖片
1.5.5數(shù)據(jù)展示與分析
1.6本章小結(jié)
第2章深度學(xué)基礎(chǔ)
2.1深度學(xué)
2.2深度學(xué)
2.2.1人工智能、機(jī)器學(xué)、深度學(xué)的關(guān)系
2.2.2機(jī)器學(xué)
2.2.3深度學(xué)
2.3模型構(gòu)建
2.3.1線性經(jīng)元
2.3.2線性單層感知機(jī)
2.3.3非線性多層感知機(jī)
2.3.4模型實(shí)現(xiàn)
2.4損失函數(shù)
2.4.1均方差損失
2.4.2交熵
2.4.3損失函數(shù)的實(shí)現(xiàn)
2.4.4正則化
2.5參數(shù)學(xué)
2.5.1梯度下降法
2.5.2梯度下降法實(shí)現(xiàn)
2.6飛槳框架高層API深入解析
2.6.1簡(jiǎn)介
2.6.2方案設(shè)計(jì)
2.6.3數(shù)據(jù)集定義、加載和數(shù)據(jù)預(yù)處理
2.6.4模型組網(wǎng)
2.6.5模型訓(xùn)練
2.6.6模型評(píng)估和模型預(yù)測(cè)
2.6.7模型署
2.7案例： 基于全連接經(jīng)網(wǎng)絡(luò)的手寫(xiě)數(shù)字識(shí)別
2.7.1方案設(shè)計(jì)
2.7.2數(shù)據(jù)處理
2.7.3模型構(gòu)建
2.7.4模型配置和模型訓(xùn)練
2.7.5模型驗(yàn)證
2.7.6模型推理
2.8本章小結(jié)
第二分深度學(xué)基本模型
第3章卷積經(jīng)網(wǎng)絡(luò)
3.1圖像分類(lèi)問(wèn)題描述
3.2卷積經(jīng)網(wǎng)絡(luò)
3.2.1卷積層
3.2.2池化層
3.2.3卷積勢(shì)
3.2.4模型實(shí)現(xiàn)
3.3的卷積經(jīng)網(wǎng)絡(luò)
3.3.1LeNet
3.3.2AlexNet
3.3.3VGG
3.3.4GoogLeNet
3.3.5ResNet
3.4案例： 圖像分類(lèi)網(wǎng)絡(luò)VGG在中草藥識(shí)別任務(wù)中的應(yīng)用
3.4.1方案設(shè)計(jì)
3.4.2整體流程
3.4.3數(shù)據(jù)處理
3.4.4模型構(gòu)建
3.4.5訓(xùn)練配置
3.4.6模型訓(xùn)練
3.4.7模型評(píng)估和推理
3.5本章小結(jié)
第4章循環(huán)經(jīng)網(wǎng)絡(luò)
4.1任務(wù)描述
4.2循環(huán)經(jīng)網(wǎng)絡(luò)
4.2.1RNN和LSTM網(wǎng)絡(luò)的設(shè)計(jì)思考
4.2.2RNN結(jié)構(gòu)
4.2.3LSTM網(wǎng)絡(luò)結(jié)構(gòu)
4.2.4模型實(shí)現(xiàn)
4.3案例：基于THUCNews新聞標(biāo)題的文本分類(lèi)
4.3.1方案設(shè)計(jì)和整體流程
4.3.2數(shù)據(jù)預(yù)處理
4.3.3模型構(gòu)建
4.3.4訓(xùn)練配置、過(guò)程和模型存
4.3.5模型推理
4.4本章小結(jié)
第5章注意力模型
5.1任務(wù)簡(jiǎn)介
5.2注意力機(jī)制
5.2.1注意力機(jī)制原理
5.2.2自注意力機(jī)制
5.2.3Transformer模型
5.2.4模型實(shí)現(xiàn)
5.2.5自注意力模型與全連接、卷積、循環(huán)、圖經(jīng)網(wǎng)絡(luò)的不同
5.3案例： 基于seq2seq的對(duì)聯(lián)生成
5.3.1方案設(shè)計(jì)
5.3.2數(shù)據(jù)預(yù)處理
5.3.3模型構(gòu)建
5.3.4訓(xùn)練配置和訓(xùn)練
5.3.5模型推理
5.4本章小結(jié)
第三分自然語(yǔ)言應(yīng)用
第6章預(yù)訓(xùn)練詞向量
6.1詞向量概述
6.2詞向量word2vec
6.2.1CBOW模型
6.2.2Skipgram模型
6.2.3負(fù)采樣
6.3CBOW實(shí)現(xiàn)
6.3.1數(shù)據(jù)處理
6.3.2網(wǎng)絡(luò)結(jié)構(gòu)
6.3.3模型訓(xùn)練
6.4案例： 詞向量可視化與相似度計(jì)算
6.4.1詞向量可視化
6.4.2句子語(yǔ)義相似度
6.5本章小結(jié)
第7章預(yù)訓(xùn)練語(yǔ)言模型及應(yīng)用
7.1任務(wù)介紹
7.2BERT模型
7.2.1整體結(jié)構(gòu)
7.2.2輸入表示
7.2.3基本預(yù)訓(xùn)練任務(wù)
7.2.4預(yù)訓(xùn)練語(yǔ)言模型的下游應(yīng)用
7.2.5模型實(shí)現(xiàn)
7.3案例： BERT文本語(yǔ)義相似度計(jì)算
7.3.1方案設(shè)計(jì)
7.3.2數(shù)據(jù)預(yù)處理
7.3.3模型構(gòu)建
7.3.4模型配置與模型訓(xùn)練
7.3.5模型推理
7.4本章小結(jié)
第8章詞性分析技術(shù)及應(yīng)用
8.1任務(wù)簡(jiǎn)介
8.2基于BERTBiLSTMCRF模型的命名實(shí)體識(shí)別模型
8.2.1BERT詞表示層
8.2.2BiLSTM征提取層
8.2.3CRF序列標(biāo)注層
8.3深入了解BiLSTMCRF模型
8.3.1BiLSTM+CRF模型架構(gòu)
8.3.2CRF模型定義
8.3.3標(biāo)簽分?jǐn)?shù)
8.3.4轉(zhuǎn)移分?jǐn)?shù)
8.3.5解碼策略
8.3.6CRF模型實(shí)現(xiàn)
8.4案例： 基于BERT+BiGRU+CRF模型的阿里中文地址要素解析
8.4.1方案設(shè)計(jì)
8.4.2數(shù)據(jù)預(yù)處理
8.4.3模型構(gòu)建
8.4.4模型推理
8.5本章小結(jié)
展開(kāi)全部
書(shū)友推薦
- >
大紅狗在馬戲團(tuán)-大紅狗克里弗-助人
- >
李白與唐代文化
- >
朝聞道
- >
詩(shī)經(jīng)-先民的歌唱
- >
巴金－再思錄
- >
推拿
- >
中國(guó)歷史的瞬間
- >
回憶愛(ài)瑪儂
本類(lèi)暢銷(xiāo)
