掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
深度學習項目應用開發 版權信息
- ISBN：9787302674481
- 條形碼：9787302674481 ; 978-7-302-67448-1
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習項目應用開發 本書特色
系統性知識體系：提供了從深度學習的基礎知識到高級應用的全面介紹，構建完整的學習路徑。
實踐導向：通過豐富的實戰案例和習題，強調將理論知識應用于實際問題的解決。
核心工具深入講解：詳細介紹了深度學習的核心工具PyTorch，包括其基礎概念、安裝配置及數據操作等關鍵技能。
圖像處理技術全面覆蓋：深入探討了卷積神經網絡（CNN）、風格遷移、Deep Dream、生成對抗網絡（GAN）以及超分辨率技術等。
視覺系統應用：涵蓋了目標檢測、語義分割等視覺任務，以及區域卷積神經網絡和UNet網絡的結構與應用。
序列數據處理：介紹了循環神經網絡（RNN）在文本情感分析中的應用，以及現代RNN的進展。
自然語言處理（NLP）：探討了預訓練模型、注意力機制和BERT模型在自然語言推斷中的應用。
深度學習項目應用開發 內容簡介
"本書是一本全面深入的深度學習實踐指導書，旨在為讀者提供從基礎概念到高級應用的系統性知識。 本書第1章從基礎開始，介紹了PyTorch工具，涵蓋了數據的加載與預處理，以及基礎網絡構建和訓練流程。 第2章深入圖像分類，探討了CNN架構、數據增強技術，以及模型優化和部署策略。 第3章轉向創造性圖像應用，包括風格遷移、Deep Dream、GAN和超分辨率技術，并討論了CycleGAN的應用。 第4章專注于視覺系統，講解了目標檢測、語義分割以及相關網絡結構。 第5章和第6章分別探討了循環神經網絡在文本情感分析中的應用，以及NLP領域的預訓練模型和注意力機制，包括BERT模型的實踐。 全書內容豐富，結構清晰，每章均配有實戰案例和習題。通過對本書的學習，讀者將能夠掌握深度學習的關鍵技術，并在實際項目中發揮其強大的應用潛力。 本書適合作為高等院校計算機、軟件工程、人工智能等相關專業的教材，也可供對深度學習感興趣的開發人員、科技工作者和研究人員參考。 "
深度學習項目應用開發 目錄
教學建議目錄第3章創造性圖像應用3.1任務導學： 什么是創造性圖像應用3.2實現風格遷移網絡3.2.1理解內容損失與風格損失3.2.2特征提取3.2.3迭代更新圖像3.3深入理解并實現Deep Dream3.3.1網絡激活和梯度上升3.3.2多尺度處理技術3.4構建生成對抗網絡3.4.1生成器和判別器3.4.2對抗損失和訓練的穩定性教學建議
第1章開始深度學習之旅
知識概括： 介紹深度學習的基礎工具PyTorch，包括其核心概念、安裝和環境配置和基本操作。
教學要點： 重點講解PyTorch的安裝過程，確保學生能夠順利搭建實驗環境。通過實例演示數據的加載、預處理和可視化分析的基本方法。引導學生理解多層感知器（MLP）的結構和訓練循環的重要性。
第2章圖像分類的深度探索
知識概括： 深入探討卷積神經網絡(CNN)的架構、數據增強技術，以及微調預訓練模型的方法。
教學要點： 通過圖解和案例分析，幫助學生理解卷積層和池化層的工作原理。強調數據增強在提高模型泛化能力中的作用。講解如何使用預訓練模型進行遷移學習，并討論在復雜數據集上訓練的挑戰。
第3章創造性圖像應用
知識概括： 介紹風格遷移、Deep Dream、生成對抗網絡(GAN)和超分辨率技術等圖像處理的高級應用。
教學要點： 通過實例演示如何實現風格遷移和Deep Dream，使學生理解這些技術的創新之處。詳細講解GAN的生成器和判別器的工作原理，以及如何訓練穩定的對抗網絡。強調超分辨率技術在圖像質量提升中的應用。
第4章視覺系統應用
知識概括： 介紹目標檢測和語義分割的基本概念，以及區域卷積神經網絡和UNet網絡在視覺任務中的應用。
教學要點： 通過案例分析，講解單發多框檢測(SSD)和區域卷積神經網絡的工作原理。重點介紹UNet網絡的結構和在語義分割任務中的優勢。
第5章循環神經網絡
知識概括： 介紹循環神經網絡(RNN)的基本原理和在序列數據處理中的應用。
教學要點： 通過圖解和實例，講解RNN的循環結構和在文本情感分析中的應用。強調RNN在處理時間序列數據時的優勢和挑戰。
第6章NLP(自然語言處理)預訓練與注意力機制
知識概括： 介紹NLP中的預訓練模型與注意力機制，以及BERT模型的應用。
教學要點： 講解預訓練機制在NLP中的重要性，以及注意力機制如何改善模型對文本的理解。通過案例分析，展示如何使用BERT模型進行自然語言推斷。
在教學過程中，建議結合理論講解和實踐操作，鼓勵學生通過編程作業和項目來鞏固所學知識。每章的實戰案例和習題可以作為課堂討論和課后作業的素材，以提高學生的實踐能力和解決問題的能力。
深度學習項目應用開發（微課視頻版）目錄
隨書資源
第1章開始深度學習之旅
1.1任務導學： 什么是深度學習
1.2PyTorch基礎和設置
1.2.1什么是PyTorch
1.2.2PyTorch的安裝和環境配置
1.2.3PyTorch中的基礎概念
1.3數據的加載、預處理和可視化分析
1.3.1數據的加載
1.3.2數據預處理： 歸一化、數據轉換
1.3.3數據可視化
1.3.4實戰
1.4構建和訓練基礎網絡
1.4.1多層感知器（MLP）
1.4.2損失函數和優化器
1.4.3訓練循環
1.5性能評估和改進策略
1.5.1性能評估
1.5.2正則化技術
1.5.3超參數調整
1.5.4其他策略
1.5.5實戰
第2章圖像分類的深度探索
2.1任務導學： 什么是圖像分類
2.2探索卷積神經網絡架構
2.2.1卷積層的原理和作用
2.2.2池化層
2.2.3局部感受野和權重共享的概念
2.2.4實戰
2.3數據增強的實戰應用
2.3.1翻轉和裁剪
2.3.2改變顏色
2.3.3結合多種數據增強方式
2.4微調預訓練模型和遷移學習
2.4.1微調預訓練模型
2.4.2凍結和解凍網絡層
2.5復雜數據集上的訓練挑戰和解決方案
2.5.1訓練挑戰
2.5.2優化算法
2.5.3批量歸一化
2.5.4深度學習調試策略
2.6模型評估、調整和部署
2.6.1模型評估
2.6.2模型調整
2.6.3模型部署
第3章創造性圖像應用
3.1任務導學： 什么是創造性圖像應用
3.2實現風格遷移網絡
3.2.1理解內容損失與風格損失
3.2.2特征提取
3.2.3迭代更新圖像
3.3深入理解并實現Deep Dream
3.3.1網絡激活和梯度上升
3.3.2多尺度處理技術
3.4構建生成對抗網絡
3.4.1生成器和判別器
3.4.2對抗損失和訓練的穩定性
3.4.3變分自編碼器
3.5實戰： 自動圖像上色
3.5.1條件GAN的使用
3.5.2顏色空間轉換
3.5.3對抗損失和訓練
3.6探索超分辨率技術
3.6.1超分辨率卷積神經網絡
3.6.2子像素卷積層
3.6.3損失函數的設計
3.6.4評估超分辨率模型的性能
3.7CycleGAN與非配對圖像轉換
3.7.1非配對圖像轉換
3.7.2CycleGAN
3.7.3使用CycleGAN進行非配對圖像轉換
第4章視覺系統應用
4.1任務導學： 什么是目標檢測與語義分割
4.2任務知識
4.2.1目標檢測基礎
4.2.2區域卷積神經網絡
4.2.3UNet網絡
4.3基于SSD和RNN的目標檢測
4.3.1單發多框檢測
4.3.2區域卷積神經網絡
4.4基于UNet網絡的語義分割
第5章循環神經網絡
5.1任務導學： 基于深度學習方法的文本情感分析
5.2任務知識
5.2.1循環神經網絡
5.2.2現代循環神經網絡
5.3文本情感分析
第6章NLP預訓練與注意力機制
6.1任務導學： 什么是模型預訓練與自然語言推斷
6.2任務知識
6.2.1NLP預訓練機制
6.2.2注意力機制
6.3預訓練BERT模型
6.4基于注意力機制的自然語言推斷
附錄A阿爾法編程平臺使用說明
展開全部
書友推薦
- >
苦雨齋序跋文-周作人自編集
- >
煙與鏡
- >
巴金－再思錄
- >
中國歷史的瞬間
- >
推拿
- >
羅庸西南聯大授課錄
- >
【精裝繪本】畫給孩子的中國神話
- >
中國人在烏蘇里邊疆區:歷史與人類學概述
本類暢銷
