Python深度学习：模型、方法与实现
全新正版 极速发货
￥ 74.03 5.7折 ￥ 129 全新
库存6件
广东广州
认证卖家担保交易快速发货售后保障
作者[保]伊凡·瓦西列夫(ivanvasilev)
出版社机械工业出版社
ISBN9787111688457
出版时间2021-09
装帧平装
开本16开
定价129元
货号1202481199
上书时间2024-06-09
商品详情
- 品相描述：全新
- 商品描述
-
目录
译者序<br/>前言<br/>作者简介<br/>审校者简介<br/>第一部分核心概念<br/>第1章神经网络的具体细节2<br/>1.1神经网络的数学基础2<br/>1.1.1线性代数2<br/>1.1.2概率介绍6<br/>1.1.3微分学16<br/>1.2神经网络的简单介绍18<br/>1.2.1神经元18<br/>1.2.2层的运算19<br/>1.2.3神经网络21<br/>1.2.4激活函数22<br/>1.2.5通用逼近定理25<br/>1.3训练神经网络27<br/>1.3.1梯度下降27<br/>1.3.2代价函数28<br/>1.3.3反向传播30<br/>1.3.4权重初始化32<br/>1.3.5SGD改进33<br/>1.4总结35<br/>第二部分计算机视觉<br/>第2章理解卷积网络38<br/>2.1理解CNN38<br/>2.1.1卷积类型43<br/>2.1.2提高CNN的效率46<br/>2.1.3可视化CNN51<br/>2.1.4CNN正则化54<br/>2.2迁移学习介绍56<br/>2.2.1使用PyTorch实现迁移学习57<br/>2.2.2使用TensorFlow 2.0实现迁移学习62<br/>2.3总结66<br/>第3章高级卷积网络67<br/>3.1AlexNet介绍67<br/>3.2VGG介绍68<br/>3.3理解残差网络70<br/>3.4理解Inception网络78<br/>3.4.1Inception v179<br/>3.4.2Inception v2和v380<br/>3.4.3Inception v4和InceptionResNet81<br/>3.5Xception介绍82<br/>3.6MobileNet介绍83<br/>3.7DenseNet介绍85<br/>3.8神经架构搜索的工作原理87<br/>3.9胶囊网络介绍91<br/>3.9.1卷积网络的局限性91<br/>3.9.2胶囊92<br/>3.9.3胶囊网络的结构94<br/>3.10总结95<br/>第4章对象检测与图像分割96<br/>4.1对象检测介绍96<br/>4.1.1对象检测的方法96<br/>4.1.2使用YOLO v3进行对象检测98<br/>4.1.3使用Faster RCNN进行对象检测104<br/>4.2图像分割介绍110<br/>4.2.1使用UNet进行语义分割110<br/>4.2.2使用Mask RCNN进行实例分割112<br/>4.3总结115<br/>第5章生成模型116<br/>5.1生成模型的直觉和证明116<br/>5.2VAE介绍117<br/>5.3GAN介绍124<br/>5.3.1训练GAN125<br/>5.3.2实现GAN128<br/>5.3.3训练GAN的缺陷129<br/>5.4GAN的类型129<br/>5.4.1DCGAN130<br/>5.4.2CGAN135<br/>5.4.3WGAN137<br/>5.4.4使用CycleGAN实现图像到图像的转换142<br/>5.5艺术风格迁移介绍150<br/>5.6总结151<br/>第三部分自然语言和序列处理<br/>第6章语言建模154<br/>6.1理解ngram154<br/>6.2神经语言模型介绍156<br/>6.2.1神经概率语言模型157<br/>6.2.2word2vec158<br/>6.2.3GloVe模型161<br/>6.3实现语言模型164<br/>6.3.1训练嵌入模型164<br/>6.3.2可视化嵌入向量166<br/>6.4总结169<br/>第7章理解RNN170<br/>7.1RNN介绍170<br/>7.2长短期记忆介绍180<br/>7.3门控循环单元介绍187<br/>7.4实现文本分类189<br/>7.5总结193<br/>第8章seq2seq模型和注意力机制194<br/>8.1seq2seq模型介绍194<br/>8.2使用注意力的seq2seq196<br/>8.2.1Bahdanau Attention196<br/>8.2.2Luong Attention199<br/>8.2.3一般注意力200<br/>8.2.4使用注意力实现seq2seq201<br/>8.3理解transformer207<br/>8.3.1transformer注意力207<br/>8.3.2transformer模型210<br/>8.3.3实现transformer212<br/>8.4transformer语言模型219<br/>8.4.1基于transformer的双向编码器表示219<br/>8.4.2transformerXL224<br/>8.4.3XLNet227<br/>8.4.4使用transformer语言模型生成文本230<br/>8.5总结231<br/>第四部分展望未来<br/>第9章新兴的神经网络设计234<br/>9.1GNN介绍234<br/>9.1.1循环GNN236<br/>9.1.2卷积图神经网络238<br/>9.1.3图自编码器244<br/>9.1.4神经图学习246<br/>9.2记忆增强神经网络介绍251<br/>9.2.1神经图灵机251<br/>9.2.2MANN*256<br/>9.3总结257<br/>第10章元学习258<br/>10.1元学习介绍258<br/>10.1.1零样本学习259<br/>10.1.2单样本学习260<br/>10.1.3元训练和元测试261<br/>10.2基于度量的元学习262<br/>10.2.1为单样本学习匹配网络263<br/>10.2.2孪生网络264<br/>10.2.3原型网络267<br/>10.3基于优化的元学习269<br/>10.4总结274<br/>第11章自动驾驶汽车的深度学习275<br/>11.1自动驾驶汽车介绍275<br/>11.1.1自动驾驶汽车研究简史275<br/>11.1.2自动化的级别277<br/>11.2自动驾驶汽车系统的组件278<br/>11.2.1环境感知280<br/>11.2.2路径规划282<br/>11.33D数据处理介绍282<br/>11.4模仿驾驶策略285<br/>11.5ChauffeurNet驾驶策略294<br/>11.5.1输入/输出表示294<br/>11.5.2模型架构296<br/>11.5.3训练297<br/>11.6总结300
内容摘要
本书集合了基于应用领域的高级深度学习的模型、方法和实现。本书分为四部分。第1部分介绍了深度学习的构建和神经网络背后的数学知识。第二部分讨论深度学习在计算机视觉领域的应用。第三部分阐述了自然语言和序列处理。讲解了使用神经网络提取复杂的单词向量表示。讨论了各种类型的循环网络，如长短期记忆网络和门控循环单元网络。第四部分介绍一些虽然还没有被广泛采用但有前途的深度学习技术，包括如何在自动驾驶上应用深度学习。学完本书，读者将掌握与深度学习相关的关键概念，学会如何使用TensorFlow和PyTorch实现相应的AI解决方案。
主编推荐
为了构建稳健的深度学习系统，需要理解神经网络的工作原理以及如何训练CNN模型等知识。通过本书，你可以探索新开发的深度学习模型及其在各个领域的使用方法，以及基于应用领域的实现。 本书首先介绍构建模块和神经网络背后的数学知识，然后介绍CNN及其在计算机视觉领域的优选应用，以及在对象检测和图像分割中应用流行的CNN架构。还将介绍变分自编码器和GAN，以及如何使用神经网络来提取单词的复杂向量表示。在继续讨论各种类型的循环网络(如LSTM和GRU)之前，会介绍如何在没有RNN的情况下使用注意力机制处理序列数据。然后，介绍如何使用图神经网络处理结构化数据，以及如何使用元学习采用较少的训练样本来训练神经网络。很后，了解如何将深度学习应用于自动驾驶汽车。 阅读本书，你将掌握关键的深度学习概念和深度学习模型在现实世界中的不同应用。你将学到：·优选的神经网络架构。·神经网络背后的理论和数学知识。·训练DNN并将其应用于现代深度学习问题。·使用CNN进行对象检测和图像分割。·实现GAN和变分自编码器来生成新图像。·使用seq2seq模型解决NLP任务，如机器翻译。·了解DL技术，如元学习和图神经网络。
— 没有更多了 —
以下为对购买帮助不大的评价