深度生成模型
全新正版 假一赔十 可开发票
￥ 69.6 6.4折 ￥ 108 全新
库存13件
北京东城
认证卖家担保交易快速发货售后保障
作者(波)杰克布·M.汤姆扎克
出版社电子工业出版社
ISBN9787121460180
出版时间2023-09
装帧平装
开本16开
定价108元
货号1203013502
上书时间2024-12-13
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
"Jakub M. Tomczak：阿姆斯特丹自由大学计算智能小组的人工智能助理教授、弗罗茨瓦夫理工大学机器学习博士，曾在阿姆斯特丹高通人工智能研究公司担任深度学习研究员（员工工程师），以及玛丽斯克洛多夫斯卡-居里教授的个人研究员。研究兴趣包括概率建模、深度学习、近似贝叶斯建模和深度生成建模（特别关注变分自动编码器和基于流的模型）。
译者简介
王冠，北京大学物理及计算机学士，香港科技大学物理研究型硕士，谷歌机器学习开发者专家，先后在多个学术和工业研究实验室从事机器学习、计算机视觉和自然语言处理的研发，并在保险行业应用人工智能方面有多年的经验，《Rasa实战：构建开源对话机器人》作者，发表了数篇相关领域的学术论文，拥有多项工业专利。他还是一位活跃的技术博主和开源社区贡献者，在GitHub上的开源项目获得了超过12,000个星标。"
目录
第1章为什么要用深度生成模型1
1.1AI不只是做决策1
1.2在哪里使用（深度）生成模型3
1.3如何定义（深度）生成模型4
1.3.1自回归模型5
1.3.2流模型5
1.3.3隐变量模型6
1.3.4能量模型7
1.3.5概论7
1.4本书的目的和内容8
1.5参考文献9
第2章自回归模型13
2.1简介13
2.2由神经网络参数化的自回归模型14
2.2.1有限记忆14
2.2.2基于循环神经网络的长距记忆15
2.2.3基于卷积神经网络的长距记忆16
2.3深度生成自回归模型实践19
2.4还未结束22
2.5参考文献24
第3章流模型27
3.1连续随机变量的流模型27
3.1.1简介27
3.1.2深度生成网络中的变量替换30
3.1.3构建RealNVP的组件32
3.1.4流模型实践33
3.1.5代码34
3.1.6还未结束38
3.1.7ResNet流模型和DenseNet流模型39
3.2离散随机变量的流模型41
3.2.1简介41
3.2.2R中还是Z中的流模型44
3.2.3整形离散流模型45
3.2.4代码49
3.2.5接下来的工作53
3.3参考文献54
第4章隐变量模型57
4.1简介57
4.2概率主成分分析58
4.3变分自动编码器：非线性隐变量模型的变分推理60
4.3.1模型和目标60
4.3.2ELBO的不同解读61
4.3.3VAE的组件62
4.3.4VAE实践65
4.3.5代码66
4.3.6VAE的常见问题71
4.3.7还有更多72
4.4改进变分自动编码器75
4.4.1先验75
4.4.2变分后验92
4.5分层隐变量模型99
4.5.1简介99
4.5.2分层VAE103
4.5.3基于扩散的深度生成模型112
4.6参考文献121
第5章混合建模128
5.1简介128
5.1.1方法一：从最简单的情况开始128
5.1.2方法二：共享参数化130
5.2混合建模130
5.3代码实现132
5.4代码134
5.5后续138
5.6参考文献139
第6章基于能量的模型141
6.1简介141
6.2模型构建143
6.3训练145
6.4代码147
6.5受限玻尔兹曼机150
6.6结语153
6.7参考文献154
第7章生成对抗网络157
7.1简介157
7.2使用生成对抗网络做隐含建模159
7.3代码实现162
7.4不同种类的生成对抗网络167
7.5参考文献169
第8章用于神经压缩的深度生成模型171
8.1简介171
8.2通用压缩方案172
8.3简短介绍：JPEG174
8.4神经压缩：组件175
8.5后续185
8.6参考文献185
附录A一些有用的代数与运算知识187
A.1范数与内积187
A.2矩阵运算188
附录B一些有用的概率论和统计学知识190
B.1常用概率分布190
B.2统计学192
索引194
内容摘要
构建通用人工智能的关键就是无监督学习，而不需要标签来训练模型，最简单的方法就是使用深度生成模型。本书主要讲述如何将概率建模和深度学习结合起来去构建可以量化周边环境不确定性的强大的 AI 系统。这种AI系统可以从生成的角度来理解周边世界。本书涵盖了深度生成模型的多种类型，包括自回归模型、流模型、隐变量模型、基于能量的模型等。这些模型构成了以 ChatGPT 为代表的大语言模型，以及以 Stable Diffusion 为代表的扩散模型等深度生成模型背后的技术基石。
本书适合具备微积分、线性代数、概率论等大学本科水平，并且了解机器学习、Python 及PyTorch 等深度学习框架的学生、工程师和研究人员阅读。无论读者的背景如何，只要对深度生成模型有兴趣，都能从本书中获益。
主编推荐
"深学细悟筑基石，任凭风浪起，稳步迈进通用人工智能
用本书可
可系统学习自回归模型、流模型、隐变量模型、基于能量的模型等
学会本书可
构建可又快又准地作出决策的AI系统
这种AI系统将从生成的角度来理解周边世界"
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价