深度学习(下)
￥ 126 7.5折 ￥ 168 全新
库存4件
四川成都
认证卖家担保交易快速发货售后保障
作者张宪超
出版社科学出版社
ISBN9787030599568
出版时间2019-07
装帧平装
开本16开
定价168元
货号1201937565
上书时间2024-06-30
- 在售商品 暂无
- 平均发货时间 7小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
目录
前言
9 深度置信网络和深度玻尔兹曼机
9.1 深度置信网络和深度玻尔兹曼机的起源
9.1.1 玻尔兹曼机
9.1.2 受限玻尔兹曼机
9.2 模型参数学习
9.2.1 吉布斯采样
9.2.2 对比散列算法
9.3 深度置信网络
9.3.1 深度置信网络模型
9.3.2 深度置信网络训练
9.4 深度玻尔兹曼机
9.4.1 深度玻尔兹曼机模型
9.4.2 深度玻尔兹曼机参数学习
9.5 深度置信网络和深度玻尔兹曼机的应用
9.5.1 深度置信网络的应用
9.5.2 深度玻尔兹曼机的应用
9.6 阅读材料
参考文献
10 自编码器
10.1 自编码器介绍
10.1.1 自编码器的结构
10.1.2 自编码器的训练
10.2 深度自编码器
10.3 自编码器的变形
10.3.1 稀疏自编码器
10.3.2 降噪自编码器
10.3.3 收缩自编码器
10.3.4 掩码自编码器
10.3.5 其他自编码器
10.4 变分自编码器
10.4.1 变分推断
10.4.2 详解变分自编码器
10.5 变分自编码器的变形
10.5.1 半监督变分自编码器
10.5.2 反向自回归流变分自编码器
10.5.3 信息优选化变分自编码器
10.5.4 优选均值差异变分自编码器
10.5.5 向量量化变分自编码器
10.5.6 降噪变分自编码器
10.5.7 梯形变分自编码器
10.6 变分自编码器的应用
10.6.1 机器翻译
10.6.2 文本分类
10.7 阅读材料
参考文献
11 生成对抗网络
11.1 原始生成对抗网络
11.1.1 生成对抗网络的基本结构
11.1.2 深入理解生成对抗网络
11.1.3 原始生成对抗网络中的问题
11.2 生成对抗网络的发展
11.2.1 深度卷积生成对抗网络
11.2.2 基于Wasserstein距离的生成对抗网络
11.2.3 加罚项的基于Wasserstein距离的生成对抗网络
11.2.4 带有一致化项的生成对抗网络
11.2.5 损失敏感的生成对抗网络
11.2.6 信息优选化生成对抗网络
11.3 生成对抗网络的训练
11.3.1 训练生成对抗网络的问题与发展
11.3.2 训练生成对抗网络的一些技巧
11.3.3 渐进增大方式训练生成对抗网络
11.3.4 生成对抗网络的谱归一化
11.3.5 通过原始-对偶次梯度方法训练生成对抗网络
11.3.6 用优化镜像下降的方法训练生成对抗网络
11.3.7 一阶惩罚生成对抗网络
11.4 深度生成模型的联合模型
11.4.1 对抗变分贝叶斯方法
11.4.2 建立深度生成模型之间的原则性联系
11.4.3 对抗自编码器
11.4.4 Wasserstein自编码器
11.5 很优传输理论与生成对抗网络
11.5.1 从很优传输理论到生成模型
11.5.2 利用很优传输理论改善生成对抗网络
11.6 生成对抗网络的评估
11.6.1 几何评分：一种比较样本的方法
11.6.2 调节生成器对生成对抗网络性能的影响
11.7 生成对抗网络的其他模型
11.8 生成对抗网络的应用
11.8.1 图像的生成与操作
11.8.2 文本
11.9 早期的对抗模型
11.10 生成对抗网络的总结
11.11 阅读材料
参考文献
12 像素级生成模型
12.1 PixelCNN
12.1.1 PixelCNN介绍
12.1.2 mask卷积
12.1.3 盲点问题
12.2 PixelRNN
12.2.1 行LSTM PixelRNN
12.2.2 对角线BiLSTM PixelRNN
12.3 门PixelCNN
12.4 条件PixelCNN
12.5 PixelVAE
12.6 PixelGAN
12.7 阅读材料
参考文献
13 深度聚类
13.1 聚类概述
13.1.1 传统聚类与深度聚类之间的关系
13.1.2 深度聚类模型结构
13.1.3 深度聚类损失函数
13.1.4 簇的更新策略
13.2 深度嵌入聚类算法
13.2.1 自编码器与聚类结合
13.2.2 变分自编码器与聚类的结合
13.2.3 梯子网络与聚类的结合
13.2.4 卷积神经网络与聚类的结合
13.3 深度谱聚类
13.4 深度子空间聚类
13.5 阅读材料
参考文献
14 深度强化学习
14.1 基于值函数的深度强化学习
14.1.1 深度Q网络
14.1.2 双重深度Q网络
14.1.3 优先化经验回放的深度Q网络
14.1.4 基于竞争网络架构的深度Q网络
14.2 基于策略搜索的深度强化学习
14.2.1 深度确定性策略梯度算法
14.2.2 异步的优势行动者-评论家算法
14.3 基于模型的深度强化学习
14.3.1 AlphaGo发展史
14.3.2 AlphaGo原理介绍
14.4 深度强化学习的应用
14.5 深度强化学习的未来
14.6 阅读材料
参考文献
15 深度学习的可解释性
15.1 可解释性概述
15.1.1 什么是可解释性
15.1.2 可解释的必要性
15.1.3 可解释性研究进展
15.2 可视化
15.2.1 可视化方法分类
15.2.2 特征可视化
15.2.3 关系可视化
15.2.4 过程可视化
15.3 深度学
内容摘要
本书对所有主要的深度学习方法和近期新研究趋势进行了深入探索。全书分为上下两卷，五个部分。上卷包括两个部分：第一部分是基础算法，包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法；第二部分是判别式模型，包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆模型（LSTM）、注意力机制和记忆网络。下卷包括三个部分：第三部分是生成式模型，包括深度置信网络/深度玻尔兹曼机、自编码器（AE）/变分自编码器（VAE）、生成对抗网络（GAN）、像素级生成、深度聚类等；第四部分是前沿技术，讨论深度强化学习；第五部分是安全保障，包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿，对包括胶囊网络在内的当前近期新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系，同时各章内容相对独立，并有辅助网站（http://deeplearningresource.com）在线提供大量论文、代码、数据集和彩图等学习资源供读者边实践边学习。
本书适合人工智能相关领域的科研人员、工程师阅读，也可以作为人工智能、自动化和计算机等专业的研究生和高年级本科生的学习材料。
— 没有更多了 —
以下为对购买帮助不大的评价