深度学习——从算法本质、系统工程到产业实践

图书标准信息

• 作者 王书浩、徐罡
• 出版社 清华大学出版社
• 出版时间 2024-04
• 版次 1
• ISBN 9787302657491
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 页数 349页
• 字数 0.53千字

【内容简介】

本书介绍了深度学的基本理论、工程实践及其在产业界的部署和应用。在深度学框架方面，结合代码详细讲解了经典的卷积神经网络、循环神经网络和基于自注意力机制的tranformer网络及其变体，并介绍了这些模型在图像分类、目标检测、语义分割、欺诈检测和语音识别等领域的应用。此外，书中还涵盖了深度强化学和生成对抗网络的前沿进展。在系统工程和产业实践方面，解释了如何使用分布式系统训练和部署模型处理大规模数据。本书系统介绍了构建深度学推理系统的过程，并结合代码讲解了分布式深度学推理系统需要虑的工程化因素，例如分布式问题和消息队列，以及工程化的解决方法。本书提供了每个经典模型和应用实例的tenorflow和pytorch版本代码，为深度学初学者和算法开发者提供理论学、代码实践和工程落地的指导与帮助。
本书既适合计算机、自动化、电子、通信、数学、物理等相关专业背景的和高年级本科生，也适合那些希望从事或准备转向人工智能领域的专业技术人员与医学研究人员阅读，还可作为高等院校、医疗系统和培训机构相关专业的参书。

【作者简介】

‘王书浩清华大学博士，清华大学交信息研究院博士后，现为透彻未来联合创始人与首席技术官，曾先后于百度、异构智能（novumind）、从事数据科学与人工智能研究，拥有发明专利20余项，并于nature munication、modern pathology、iccv等期刊/会议发表十余篇学术。曾获得2019年乌镇互联网峰会“30位新生代数字经济人才”精英奖、year 2022 fall aiapacific ignal and information proceing aociation indutrial ditinguihed leader、阿里云“看见新力量”2022年度人物。
徐罡，清华大学博士，现任复旦大学复杂体系多尺度研究院青年副研究员，以作者身份在iccv、briefing in bioinformatic、bioinformatic、journal of chemical theory and putation与journal of chemical information and modeling等知名期刊/会议中发表多篇文章。主要研究方向为人工智能在医疗图像及计算生物学领域中的应用，提出了弱监督框架camel，并使用深度学框架tenorflow建立了蛋白质折叠和对接框架，为人工智能和传统计算生物学领域的结合提供了桥梁。‘

【目录】

本书源代码章神经网络深入 111 打开深度学习之门 112 从优化问题讲起 6121 牛顿与开普勒的对话 6122 拟合与分类的数学模型 6123 通过训练数据优化模型参数 8124 优化方法 1313 深度神经网络 16131 谁来做特征提取 16132 人工神经元与激活函数 17133 神经网络及其数学本质 2114 正则化方法 29141 欠拟合与过拟合 29142 正则化方法 31143 一些训练技巧 3515 模型评价 36151 评价指标的重要性 36152 混淆矩阵 36153 典型评价指标 3816 深度学习能力的边界 39161 深度学习各领域的发展阶段 39162 不适用现有深度学习技术的任务 39163 深度学习的未来 40本章习题 41第2章卷积神经网络——图像分类与目标检测 4221 卷积的基本概念 42VIII211 卷积的定义 42212 卷积的本质 43213 卷积的重要参数 43214 池化层 4522 卷积神经网络 46221 典型的卷积神经网络 47222 LeNet 50223 AlexNet 53224 VGGNet 57225 ResNet 63226 能力对比 7523 目标检测 76231 R-CNN 76232 Fast R-CNN 78233 Faster R-CNN 79234 YOLO 79本章习题 81第3章卷积神经网络——语义分割 8231 语义分割基础 82311 语义分割的应用领域 82312 全卷积神经网络 83313 反卷积与空洞卷积 83314 U-Net 85315 DeepLab v1 和v2 90316 DeepLab v3 95317 两种架构的融合——DeepLab v3  10132 模型可视化 108321 卷积核可视化 109322 特征图可视化 109323 表征向量可视化 109324 遮盖分析与显著梯度分析 10933 病理影像分割初探 110331 病理——医学诊断的“金标准” 110332 病理人工智能的挑战 111333 真实模型训练流程112IX34 自监督学习 117341 方法概述 117342 自监督学习算法介绍 11835 模型训练流程 123351 成本函数 123352 自动调节学习速率 123353 模型保存与加载 123本章习题 124第4章高级循环神经网络 12541 自然语言处理基础 125411 时间维度的重要性 125412 自然语言处理 125413 词袋法 126414 词嵌入 12742 循环神经网络 128421 时序数据建模的模式 128422 循环神经网络基本结构 128423 LSTM 131424 GRU 13443 基于会话的欺诈检测 137431 欺诈的模式 137432 技术挑战 138433 数据预处理 138434 实践循环神经网络 14044 语音识别与语音评测 148441 特征提取 148442 模型结构 149443 CTC 损失函数 151本章习题 152第5章分布式深度学习系统 15351 分布式系统 153511 挑战与应对 153512 主从架构 154513 Hadoop 与Spark 154X52 分布式深度学习系统 157521 CPU 与GPU 157522 分布式深度学习 160523 通信——对参数进行同步 16453 微服务架构 165531 微服务的基本概念 166532 消息队列 16754 分布式推理系统 167541 深度学习推理框架 167542 推理系统架构 169本章习题 171第6章深度学习前沿 17361 深度强化学习 173611 强化学习概述 173612 深度强化学习概述 174613 任天堂游戏的深度强化学习 17562 AlphaGo 176621 为什么围棋这么困难 176622 AlphaGo 系统架构 177623 AlphaGo Zero 18163 生成对抗网络 182631 生成对抗网络概述 182632 典型的生成对抗网络 18264 未来在哪里 207本章习题 210第7章专题讲座 21171 DenseNet 21172 Inception 21673 Xception 23074 ResNeXt 23675 Transformer 240本章习题 242第8章Transformer和它的朋友们 24381 注意力模型 243XI811 看图说话 243812 语言翻译 245813 几种不同的注意力机制 24682 Transformer 250821 自注意力机制和Transformer 250822 Transformer 在视觉领域的应用 278本章习题 293第9章核心实战 29491 图像分类 295911 ImageNet 数据集概述 295912 ImageNet 数据探索与预处理 295913 模型训练 299914 模型测试 304915 模型评价 307916 猫狗大战数据集 309917 模型导出 31092 语义分割 311921 数字病理切片介绍311922 数字病理切片预处理 314923 样本均衡性处理 317924 模型训练 319925 模型测试 324926 模型导出 331本章习题 332第10章深度学习推理系统 333101 整体架构 333102 调度器模块 334103 工作节点模块 340104 日志模块 347本章习题 349参考文献 350扩展资源 351
作者介绍
王书浩,清华大学博士，清华大学交叉信息研究院博士后，现为透彻未来联合创始人与首席技术官，曾先后于百度、异构智能（NovuMind）、京东从事数据科学与人工智能研究，拥有国家发明专利20余项，并于Nature Communications、Modern Pathology、ICCV等期刊/会议发表十余篇学术论文。曾获得2019年乌镇互联网峰会“30位新生代数字经济人才”精英奖、Year 2022 Fall Asia-Pacific Signal and Information Processing Association Industrial Distinguished Leaders、阿里云“看见新力量”2022年度人物。徐罡，清华大学博士，现任复旦大学复杂体系多尺度研究院青年副研究员，以第一作者身份在ICCV、Briefings in Bioinformatics、Bioinformatics、Journal of Chemical Theory and Computation与Journal of Chemical Information and Modeling等知名期刊/会议中发表多篇文章。主要研究方向为人工智能在医疗图像及计算生物学领域中的应用，提出了弱监督框架CAMEL，并使用深度学习框架TensorFlow建立了蛋白质折叠和对接框架，为人工智能和传统计算生物学领域的结合提供了桥梁。
序言