消息首页搜索举报

深度学大中专公共计算机徐俊刚新华正版

60.3 7.6折 79 全新

库存20件

河北保定

认证卖家担保交易快速发货售后保障

作者徐俊刚

出版社机械工业出版社

ISBN9787111752691

出版时间2024-05

版次1

装帧平装

开本16

页数240页

定价79元

货号xhwx_1203272782

上书时间2024-05-27

浩子书屋

八年老店

已实名已认证进店收藏店铺

在售商品暂无
平均发货时间 15小时
好评率暂无

最新上架

【三年级】+励志版稻草人+格林童话+安徒生叶圣陶新华正版 ¥40.70

【六年级】励志版童年+爱的教育+小英雄 (苏)高尔基新华正版 ¥34.41

幼小衔接99天+摩比爱识字(1-7) 低幼衔接学而思教研中心新华正版 ¥226.76

幼小衔接99天+一年级我来啦描红天天练（共12册）低幼衔接学而思教研中心新华正版 ¥136.01

飞鸟集+新月集泰戈尔经典作品2本套诗歌泰戈尔，郑振铎新华正版 ¥9.15

【五年级】快乐读书吧五年级上册(全5册) 一千零一夜+非洲民间故事老人的智慧+中国民间故事田螺姑娘+欧洲民间故事:聪明的牧羊人+列那狐的故事彩插励志版小读物五年级上册课外书课外阅读书籍书目图 ¥66.90

皮囊+命运+草民蔡崇达经典文学小说代表作三本中国现当代文学蔡崇达新华正版 ¥98.65

幼小衔接99天+摩比爱计算.飞跃篇(1-5) 低幼衔接学而思教研中心编等新华正版 ¥130.56

幼小衔接99天+幼小衔接天天练(全4册) 低幼衔接学而思教研中心编新华正版 ¥117.91

商品详情

品相描述：全新: 正版特价新书

商品描述: 主编：

?读者通过本书可以掌握深度学的基本、核心技术以及实践技能。amp;lt;brgt;
?各章内容相对独立，读者可根据需要选择阅读。amp;lt;brgt;
?每章附有复题和实验题，便于读者复重要知识点和进行实践技能锻炼。amp;lt;brgt;
?每章附有“本章人物”专栏，介绍与该章内容相关的有名科学家。amp;lt;brgt;
?附录中给出了数学基础知识和中英文术语对照，便于读者查阅学。

目录：

目录 序 前言 主要符号表 章引言 1 1.1 深度学的起源与发展 1 1.1.1 深度学的起源 1 1.1.2 深度学的发展 2 1.2 深度学与机器学、人工智能的关系 4 1.2.1 人工智能 4 1.2.2 机器学 4 1.2.3 深度学 5 1.3 深度学的基本概念和典型算法 6 1.3.1 深度学的基本概念 6 1.3.2 典型深度学算法 6 1.4 深度学的主要应用概述 12 1.4.1 深度学在计算机视觉领域的应用 12 1.4.2 深度学在语音处理领域的应用 13 1.4.3 深度学在自然语言处理领域的应用 14 1.4.4 深度学在多模态处理领域的应用 14 1.5 本书的组织结构 14 复题 15 参文献 15 本章人物：geoffrey hinton教授 18 第2章卷积神经网络 19 2.1 卷积神经网络的起源与发展 19 2.1.1 卷积神经网络的起源 19 2.1.2 卷积神经网络的发展 20 2.2 卷积神经网络的基本结构 21 2.2.1 卷积层 21 2.2.2 激活函数 26 2.2.3 池化层 30 2.2.4 全连接层 30 2.2.5 输出层 30 2.3 卷积神经网络的训练 31 2.3.1 卷积神经网络的训练过程 31 2.3.2 池化层的训练 31 2.3.3 卷积层的训练 33 2.4 典型卷积神经网络 35 2.4.1 le-5 35 2.4.2 alex 37 2.4.3 vgg 39 2.4.4 google 41 2.4.5 res 42 2.5 卷积神经网络的主要应用 43 2.5.1 目标检测 43 2.5.2 图像分割 52 2.5.3 姿态估计 56 2.5.4 人脸识别 58 复题 62 实验题 62 参文献 63 本章人物：yann lecun教授 65 第3章循环神经网络 66 3.1 循环神经网络的起源与发展 66 3.2 循环神经网络的训练 67 3.3 长短期记忆网络 70 3.4 循环神经网络的变种 73 3.4.1 gru 73 3.4.2 双向rnn 75 3.4.3 堆叠rnn 75 3.5 循环神经网络的典型应用 76 3.5.1 语言模型 76 3.5.2 自动文本摘要 79 3.5.3 机器阅读理解 82 复题 85 实验题 86 参文献 86 本章人物：jürgen schmidhuber教授 89 第4章 transformer 90 4.1 注意力机制 90 4.1.1 注意力机制的encoder-decoder结构 90 4.1.2 注意力机制的分类 92 4.2 transformer概述 93 4.2.1 transformer的结构 93 4.2.2 transformer的输入编码 94 4.2.3 transformer中的自注意力机制 95 4.2.4 transformer中的其他细节 98 4.2.5 基于transformer的大规模预训练模型 99 4.3 gpt系列模型 99 4.3.1 gpt-1 99 4.3.2 gpt-2 101 4.3.3 gpt-3 102 4.3.4 instructgpt和chatgpt 103 4.4 bert系列模型 104 4.4.1 与其他大规模预训练模型的区别 105 4.4.2 bert的架构与参数 105 4.4.3 bert的输入表示 105 4.4.4 bert的训练 107 4.4.5 bert的变种 107 4.5 swin transformer 109 4.5.1 swin transformer的提出 109 4.5.2 swin transformer结构 109 4.5.3 swin transformer的滑动窗机制 111 4.6 transformer的主要应用 112 4.6.1 自然语言处理领域 112 4.6.2 计算机视觉领域 117 4.6.3 多模态领域 121 复题 128 实验题 128 参文献 128 本章人物：yoshua bengio教授 131 第5章生成对抗网络 132 5.1 gan的基本 132 5.1.1 零和博弈 132 5.1.2 gan的基本结构 133 5.1.3 gan的目标函数 134 5.1.4 gan的训练 134 5.2 gan的优化与改进 135 5.2.1 限定条件优化 136 5.2.2 迭代式生成优化 138 5.2.3 结构优化 141 5.3 gan的主要应用 143 5.3.1 图像生成 143 5.3.2 图像转换 144 5.3.3 图像超分辨率重建 147 5.3.4 音乐生成 148 5.3.5 异常检测 152 复题 156 实验题 156 参文献 156 本章人物：ian goodfellow博士 158 第6章深度生成模型 159 6.1 深度生成模型概述 159 6.2 hopfield神经网络 160 6.3 玻尔兹曼机与受限玻尔兹曼机 162 6.3.1 玻尔兹曼机 162 6.3.2 受限玻尔兹曼机 163 6.4 sigmoid信念网络与深度信念网络 165 6.4.1 sigmoid信念网络 165 6.4.2 深度信念网络 166 6.5 深度玻尔兹曼机 167 6.6 自及其变种 169 6.6.1 自 169 6.6.2 降噪自 170 6.6.3 稀疏自 170 6.6.4 深度自 171 6.7 扩散模型 172 6.7.1 前向过程 173 6.7.2 逆向过程 174 6.7.3 ddpm的训练 176 6.8 深度生成模型的应用 178 复题 179 实验题 179 参文献 179 本章人物：david e.rumelhart教授 181 第7章正则化与优化 182 7.1 深度学模型的训练与测试 182 7.1.1 深度学中的数据集划分 182 7.1.2 过拟合与欠拟合 183 7.1.3 偏差、方差、噪声与泛化误差 183 7.1.4 深度学模型的训练与测试过程 187 7.2 参数范数正则化 187 7.2.1 l1参数正则化 188 7.2.2 l2正则化 188 7.3 数据增强 188 7.4 bagging 190 7.5 提前终止 191 7.6 dropout 193 7.7 归一化 195 7.7.1 机器学中的归一化 195 7.7.2 深度学中的归一化 196 7.8 优化算法 199 7.8.1 梯度下降法 199 7.8.2 基于动量的方法 202 复题 204 实验题 205 参文献 205 本章人物：ilya sutskever博士 206 第8章深度学框架 207 8.1 深度学框架概述 207 8.2 tensorflow 208 8.2.1 tensorflow简介 208 8.2.2 tensorflow的主要功能 208 8.2.3 tensorflow编程示例 209 8.3 pytorch 213 8.3.1 pytorch简介 213 8.3.2 pytorch的主要功能 214 8.3.3 pytorch编程示例 215 8.4 飞桨 218 8.4.1 飞桨简介 218 8.4.2 飞桨的主要功能 219 8.4.3 飞桨编程示例 219 复题 222 参文献 222 本章人物：吴恩达教授 223 附录a 数学基础 224 附录b 中英文术语对照 236

内容简介：

深度学是人工智能的重要分支，在多个应用领域取得了突破成果。本书作为深度学的入门教材，基本涵盖了深度学的各个方面。全书共8章，章概要介绍了深度学的基本概念、典型算法及应用；第2~5章是本书的核心内容，详细介绍了卷积神经网络、循环神经网络、tranformer和生成对抗网络的基本、典型算法以及主要应用；第6章介绍了一些典型的深度生成模型以及近期比较流行的扩散模型；第7章介绍了深度学中常用的正则化与优化方法；第8章介绍了tenorflow、pytorch和飞桨三个常用的深度学框架。本书每章都附有复题，中间各章还附有实验题，便于读者复知识点和进行实践锻炼。此外，附录中还给出了一些数学基础知识和中英文术语对照。amp;lt;br /gt;本书可作为高等院校计算机科学与技术、智能科学与技术、自动化、电子科学与技术等相关专业的或本科生教材，也可作为深度学研究人员与算法工程师的参书。