飞桨PaddlePaddle深度学习实战

图书标准信息

• 作者 刘祥龙、杨晴虹、胡晓光、周湘阳 著
• 出版社 机械工业出版社
• 出版时间 2020-09
• ISBN 9787111662365
• 定价 99.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 392页

【内容简介】

本书由百度官方出品，百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐。

 

本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。

 

在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。

 

本书提供配套代码合集，详情请访问https://aistudiobaiducom/aistudio/projectdetail/518424。

 

【作者简介】

作者简介

 

刘祥龙

 

副教授，博士生导师，现任职于北京航空航天大学软件开发环境国家重点实验室，主要研究大数据检索、大规模视觉分析、可信赖深度学习等。近年来，主持国家自然科学基金、国防科技创新重点项目、科技创新2030人工智能重大项目等多项国家课题；发表人工智能领域国际会议及期刊论文60余篇。Pattern Recognition等多个国际SCI期刊编委/客座编辑以及ACM MM 2019/2020等国际会议领域主席/高级程序委员等，国家新一代人工智能产业技术创新战略联盟启智开源开放平台技术委员会委员。曾作为主要执笔人参与国家新一代人工智能实施建议、AI 20 国家战略研究发展报告的撰写。获陕西省自然科学一等奖、北京市科技新星、中国计算机学会博士学位论文、中国计算机学会首届青年人才发展计划等奖励和荣誉。

 

?杨晴虹

 

博士，中科院系列高级工程师，北航软件学院人工智能专业主讲教师，美国南康涅狄格州立大学图书信息科学访问学者，美国耶鲁大学技术创新实验室数据分析专家。发表国际论文几十篇，主要研究领域有机器学习、知识挖掘、大数据分析、项目管理和科研管理等。在机器学习、深度学习、神经网络等领域有丰富的实践经验，曾主导和参与多个相关的项目并取得成功。

 

?胡晓光

 

百度杰出研发架构师，10余年自然语言处理研发经验，参与的机器翻译项目获得国家科技进步二等奖，现负责飞桨核心训练框架和模型算法的研发，致力于打造*好用的深度学习平台。

 

?于佃海

 

百度深度学习平台飞桨（PaddlePaddle）总架构师。2008年从北京大学毕业加入百度，长期从事机器学习、自然语言处理相关的技术研发和平台建设工作，在国际学术会议发表论文十余篇，作为骨干成员参与了国家973计划、国家重点研发计划、科技创新2030等国家科技计划的多个项目，曾获中国电子学会科技进步一等奖、2019年CCF杰出工程师奖。

 

?白浩杰

 

北航、大连理工特聘讲师，百度认证深度学习布道师，美国佛罗里达国际大学高性能数据实验室访问学者，致力于移动对象数据库、数据可视化、机器学习、深度学习等方向的研究。鸥若教育人工智能主讲教师，具有丰富的PaddlePaddle深度学习授课和实验设计经验。

 

【目录】

序

 

前言

 

第一部分 数学与编程基础篇

 

第1章 数学基础与Python库2

 

11 Python是进行人工智能编程的主要语言2

 

12 数学基础3

 

121 线性代数基础3

 

122 微积分基础7

 

13 Python库的操作14

 

131 NumPy操作14

 

132 Matplotlib操作19

 

14 本章小结23

 

第2章 深度学习概论与飞桨入门24

 

21 人工智能、机器学习和深度学习25

 

211 人工智能25

 

212 机器学习26

 

213 深度学习26

 

22 深度学习的发展历程27

 

221 神经网络的第一次高潮27

 

222 神经网络的第一次寒冬28

 

223 神经网络的第二次高潮30

 

224 神经网络的第二次寒冬30

 

225 深度学习的来临31

 

226 深度学习崛起的时代背景31

 

23 深度学习的应用场景31

 

231 图像与视觉32

 

232 语音识别32

 

233 自然语言处理33

 

234 个性化推荐33

 

24 常见的深度学习网络结构34

 

241 全连接网络结构34

 

242 卷积神经网络34

 

243 循环神经网络35

 

25 机器学习回顾35

 

251 线性回归的基本概念36

 

252 数据处理37

 

253 模型概览38

 

254 效果展示39

 

26 深度学习框架简介40

 

261 深度学习框架的优势40

 

262 常见的深度学习框架41

 

263 飞桨简介42

 

264 飞桨安装42

 

265 AI Studio43

 

27 飞桨实现44

 

28 飞桨服务平台和工具组件51

 

281 PaddleHub51

 

282 X2Paddle54

 

283 PARL56

 

284 EasyDL61

 

29 本章小结62

 

第二部分 深度学习基础篇

 

第3章 深度学习的单层网络64

 

31 Logistic回归模型64

 

311 Logistic回归概述64

 

312 损失函数66

 

313 Logistic回归的梯度下降68

 

32 实现Logistic回归模型72

 

321 NumPy版本73

 

322 飞桨版本80

 

33 本章小结88

 

第4章 浅层神经网络89

 

41 神经网络89

 

411 神经网络的定义及其结构89

 

412 神经网络的计算91

 

42 BP算法96

 

421 逻辑回归与BP算法96

 

422 单样本双层神经网络的BP算法97

 

423 多样本神经网络的BP算法100

 

43 BP算法实践103

 

431 NumPy版本103

 

432 飞桨版本110

 

44 本章小结114

 

第5章 深层神经网络116

 

51 深层网络介绍116

 

511 深度影响算法能力116

 

512 网络演化过程与常用符号118

 

52 传播过程120

 

521 神经网络算法核心思想120

 

522 深层网络正向传播过程120

 

523 深层网络反向传播过程121

 

524 传播过程总结122

 

53 网络的参数124

 

54 代码实现125

 

541 NumPy版本125

 

542 飞桨版本128

 

55 本章小结130

 

第6章 卷积神经网络131

 

61 图像分类问题描述131

 

62 卷积神经网络介绍132

 

621 卷积层132

 

622 ReLU激活函数136

 

623 池化层137

 

624 Softmax分类层138

 

625 主要特点139

 

626 经典神经网络架构140

 

63 飞桨实现145

 

631 数据介绍145

 

632 模型概览146

 

633 配置说明146

 

64 本章小结153

 

第7章 循环神经网络154

 

71 任务描述154

 

72 循环神经网络介绍155

 

721 长短期记忆网络156

 

722 门控循环单元157

 

723 双向循环神经网络158

 

724 卷积循环神经网络159

 

73 利用飞桨实现机器翻译159

 

731 数据准备159

 

732 柱搜索 163

 

733 模型配置167

 

734 模型训练168

 

735 加载训练模型进行预测169

 

74 本章小结170

 

第8章 注意力机制171

 

81 任务描述171

 

82 注意力机制介绍172

 

821 Transformer172

 

822 Non-local神经网络175

 

823 Attention Cluster神经网络176

 

83 利用飞桨实现视频分类177

 

831 Non-local神经网络177

 

832 Attention Cluster183

 

84 本章小结195

 

第9章 算法优化196

 

91 基础知识196

 

911 训练、验证和测试集196

 

912 偏差和方差197

 

92 评估198

 

921 选定评估目标198

 

922 迭代过程199

 

923 欠拟合和过拟合199

 

93 调优策略199

 

931 降低偏差199

 

932 降低方差204

 

94 超参数调优209

 

941 随机搜索和网格搜索209

 

942 超参数范围209

 

943 分阶段搜索210

 

944 例子：对学习率的调整210

 

95 本章小结212

 

第三部分 飞桨实践篇

 

第10章 目标检测214

 

101 任务描述214

 

102 常见模型解析217

 

1021 R-CNN系列217

 

1022 YOLO223

 

1023 SSD228

 

103 PaddleDetection应用实践231

 

1031 Faster-R-CNN231

 

1032 YOLOv3234

 

104 本章小结237

 

第11章 图像生成238

 

111 任务描述238

 

1111 图像生成238

 

1112 图像C图像转换239

 

1113 文本C图像转换239

 

112 模型概览240

 

1121 图像生成240

 

1122 图像C图像241

 

1123 文本C图像246

 

113 PaddleGAN应用实践248

 

1131 数据准备248

 

1132 参数设置248

 

1133 网络结构定义249

 

1134 模型训练253

 

1135 模型测试    256

 

114 本章小结257

 

第12章 情感分析258

 

121 任务描述258

 

122 算法原理解析259

 

1221 BOW259

 

1222 DB-LSTM259

 

123 情感分析应用实践261

 

1231 数据集下载261

 

1232 配置模