消息 首页 搜索 举报
  • 深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究
  • 深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究
  • 深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究
  • 深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究
  • 深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究
21年品牌 40万+商家 超1.5亿件商品

深度学习模式与实践 [美] 安德鲁·费利奇著 李轩涯 卢苗苗 刘安安 译 清华大学出版社 机器学习－研究

9787302630630

￥ 110.7 全新

库存5件

湖南益阳
认证卖家担保交易快速发货售后保障

作者[美] 安德鲁·费利奇（Andrew Ferlitsch）著 李轩涯 卢苗苗 刘安安 译

出版社清华大学出版社

ISBN9787302630630

出版时间2020-01

装帧平装

开本16开

货号726911014834

上书时间2024-01-20

读而乐书店

五年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
 书名：     深度学习模式与实践       出版社：      清华大学出版社        出版日期      2023        ISBN号：     9787302630630                《深度学习模式与实践》通过介绍最佳实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习最紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。 《深度学习模式与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验证的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。 本书的内容包括： 现代卷积神经网络 CNN架构的设计模式 移动和物联网设备模型 大规模模型部署 计算机视觉示例 
                   Andrew Ferlitsch是谷歌云人工智能开发者关系部的一名专家，领域为计算机视觉、深度学习和在应用中操作机器学习。
                        作为近几年人工智能领域的主要研究方向之一，深度学习主要通过构建深度卷积神经网络和采用大量样本数据作为输入，最终得到-一个具有强大分析能力和识别能力的模型。深度学习可以是有监督的、半监督的或无监督的。深度学习架构(例如深度神经网络、深度信念网络、递归神经网络和卷积神经网络)已应用于计算机视觉、语音识别、自然语言处理、机器翻译等领域并取得初步成效。 随着深度学习的发展，了 解计算机编程语言以及掌握计算机组成原理等知识已成为必备技能。本书中的所有代码示例都是用Python编写的，因此读者需要有一定的 Python基础。此外，作者使用了TensorFlow 2.x框架，其中包含了Keras模型API。本书将详细介绍开创性深度学习模型的设计模式，并且将这些组件组合在一起， 以帮助读者深入理解深度学习模式。 本书的内容通俗易懂，对于从经典人工智能到狭义人工智能的进展以及机器学习的基本步骤均有介绍。谢燕蔚、杨博、杨龙、王德涵共同完成了本书的校对工作，在此表示感谢。希望本书的出版能为更多深度学习领域的从业者提供参考和借鉴。 
                         目    录   

    第Ⅰ部分  深度学习基础知识   第1章  现代机器学习的设计 3   1.1  关注适应性 4   1.1.1  计算机视觉引领潮流 4   1.1.2  超越计算机视觉：NLP、NLU和结构化数据 5   1.2  机器学习方法的演变 6   1.2.1  经典人工智能与狭义人工智能 6   1.2.2  计算机学习的未来 8   1.3  设计模式的好处 13   1.4  本章小结 14   第2章  深度神经网络 15   2.1  神经网络基础 15   2.1.1  输入层 15   2.1.2  深度神经网络简介 17   2.1.3  前馈网络 18   2.1.4  序贯式API方法 18   2.1.5  函数式API方法 19   2.1.6  输入形状与输入层 19   2.1.7  致密层 20   2.1.8  激活函数 21   2.1.9  速记语法 24   2.1.10  使用优化器提高准确度 25   2.2  DNN二元分类器 26   2.3  DNN多类分类器 28   2.4  DNN多标签多类分类器 29   2.5  简单图像分类器 31   2.5.1  展平 32   2.5.2  过拟合和丢弃 33   2.6  本章小结 35   第3章  卷积神经网络和残差神经网络 37   3.1  卷积神经网络 37   3.1.1  为什么在DNN的基础上对图像模型使用CNN 38   3.1.2  下采样(调整大小) 38   3.1.3  特征检测 39   3.1.4  池化 41   3.1.5  展平 42   3.2  CNN的ConvNet设计 43   3.3  VGG网络 46   3.4  ResNet网络 49   3.4.1  架构 49   3.4.2  批标准化 54   3.4.3  ResNet50 55   3.5  本章小结 59   第4章  训练基础知识 61   4.1  前馈和反向传播 61   4.1.1  馈送 62   4.1.2  反向传播 62   4.2  拆分数据集 64   4.2.1  训练集和测试集 64   4.2.2  独热编码 65   4.3  数据归一化 67   4.3.1  归一化 67   4.3.2  标准化 69   4.4  验证和过拟合 69   4.4.1  验证 69   4.4.2  损失监控 73   4.4.3  深入层中 73   4.5  收敛 74   4.6  设置检查点和早停法 77   4.6.1  设置检查点 77   4.6.2  早停法 78   4.7  超参数

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP