消息 首页 搜索 举报
  • 基于TensorFlow的深度学习:神经网络、计算机视觉和NLP的理论与实践:theory and practice of neural networks，computer vision，natural language processing，and transformers using tensorflow
21年品牌 40万+商家 超1.5亿件商品

基于TensorFlow的深度学习:神经网络、计算机视觉和NLP的理论与实践:theory and practice of neural networks，computer vision，natural language processing，and transformers using tensorflow

正版保障 假一赔十 可开发票

￥ 89.28 6.0折 ￥ 149 全新

库存10件

广东广州
认证卖家担保交易快速发货售后保障

作者(美)马格努斯·埃克曼(Magnus Ekman)著

出版社机械工业出版社

ISBN9787111741725

出版时间2024-01

装帧平装

开本16开

定价149元

货号15044288

上书时间2024-09-16

灵感书店

三年老店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
目录
CONTENTS 目    录 推荐序一 推荐序二 前言 第1章  Rosenblatt 感知器  1 1.1  双输入感知器示例  3 1.2  感知器学习算法  4 1.3  感知器的局限性  9 1.4  组合多个感知器  11 1.5  感知器的几何解释  13 1.6  理解偏差项  14 第２章  基于梯度的学习  16 2.1  感知器学习算法的直观解释  16 2.2  用梯度下降法解决学习问题  18 2.3  网络中的常量与变量  20 2.4  感知器学习算法的解析  20 2.5  感知器学习算法的几何描述  22 2.6  重新审视不同类型的感知器  22 2.7  使用感知器进行模式识别  24 第3章  Sigmoid神经元与反向 传播  26 3.1  改进的神经元实现多层网络的 梯度下降  26 3.2  激活函数的选择  30 3.3  复合函数和链式法则  30 3.4  利用反向传播计算梯度  31 3.4.1  前向传播阶段  37 3.4.2  后向传播阶段  37 3.4.3  权重调整  38 3.5  每层具有多个神经元的反向 传播  39 3.6  编程示例：学习XOR函数  40 3.7  网络结构  43 第４章  用于多分类的全连接网络  45 4.1  训练网络时所用数据集简介  45 4.1.1  探索数据集  46 4.1.2  数据集中的人为偏见  48 4.1.3  训练集、测试集和泛化  49 4.1.4  超参数调优和测试集信息 泄漏  50 4.2  训练与推理  51 4.3  扩展网络和学习算法以进行 多分类  51 4.4  用于数字分类的网络  52 4.5  多分类的损失函数  52 4.6  编程示例：手写数字分类  53 4.7  小批量梯度下降  60 第5章  走向DL：框架和网络 调整  61 5.1  编程示例：转移到DL框架  61 5.2  饱和神经元和梯度消失问题  65 5.3  避免神经元饱和的初始化和归一化 技术  66 5.3.1  权重初始化  67 5.3.2  输入标准化  68 5.3.3  批归一化  68 5.4  用于缓解饱和输出神经元影响的 交叉熵损失函数  69 5.5  使用不同激活函数以避免隐藏层 中梯度消失问题  73 5.6  提高学习的梯度下降法中的 变量  76 5.7  实验：调整网络和学习参数  78 5.8  超参数调优和交叉验证  80 5.8.1  使用验证集来避免过 拟合  81 5.8.2  交叉验证以改善训练数据 的使用  81 第6章  全连接网络在回归中的 应用  83 6.1  输出单元  83 6.1.1  二元分类的逻辑单元  84 6.1.2  用于多分类的Softmax 单元  84 6.1.3  线性回归单元  86 6.2  波士顿住房数据集  87 6.3  编程示例：用DNN预测房价  88 6.4  用正则化改进泛化  91 6.5  实验：更深层次和正则化的房价 预测模型  93 第7章  卷积神经网络在图像分类中 的应用  94 7.1  CIFAR-10数据集  95 7.2  卷积层的特征和构建模块  97 7.3  将特征映射组合成一个卷积层  99 7.4  将卷积层和全连接层结合成一个 网络  100 7.5  稀疏连接和权重共享的影响  102 7.6  编程示例：用卷积网络进行图像 分类  105 第8章  深度卷积神经网络和预训练 模型  113 8.1  VGGNet  113 8.2  GoogLeNet  116 8.3  ResNet  119 8.4  编程示例：使用预先训练的ResNet实现  124 8.5  迁移学习  126 8.6  CNN和池化的反向传播  128 8.7  正则化技术的数据增强  128 8.8  CNN的局限性  129 8.9  用深度可分离卷积进行参数 约简  130 8.10  用高效网络实现正确的网络 设计平衡  131 第9章  用循环神经网络预测时间 序列  132 9.1  前馈网络的局限性  134 9.2  循环神经网络  135 9.3  循环层的数学表示  135 9.4  将图层组合成一个RNN  136 9.5  RNN的另一视图并按时间展开  137 9.6  基于时间的反向传播  138 9.7  编程示例：预测图书销量  140 9.7.1  标准化数据并创建训练 示例  144 9.7.2  创建一个简单的RNN  145 9.7.3  与无循环网络的比较  148 9.7.4  将示例扩展为多输入 变量  149 9.8  RNN的数据集注意事项  149 第10章  长短期记忆  151 10.1  保持梯度健康  151 10.2  LSTM介绍  154 10.3  LSTM激活函数  157 10.4  创建LSTM单元构成的网络  157 10.5  LSTM的其他理解  158 10.6  相关话题：高速神经网络和跳 连接  159 第11章  使用LSTM和集束搜索 自动补全文本  161 11.1  文本编码  161 11.2  长期预测和自回归模型  162 11.3  集束搜索  163 11.4  编程示例：使用LSTM实现 文本自动补全  164 11.5  双向RNN  169 11.6  输入和输出序列的不同组合  170 第12章  神经语言模型和词嵌入  172 12.1  语言模型介绍及其用例简介  172 12.2  不同语言模型的例子  174 12.2.1  n-gram模型  174 12.2.2  skip-gram模型  176 12.2.3  神经语言模型  176 12.3  词嵌入的好处及对其工作方式 的探究  178 12.4  基于神经语言模型创建词 嵌入  179 12.5  编程示例：神经语言模型和产生的嵌入  182 12.6  King–Man + Woman! = Queen  188 12.7  King–Man+Woman != Queen  190 12.8  语言模型、词嵌入和人类 偏见  190 12.9  相关话题：文本情感分析  191 12.9.1  词袋法和N元词袋法  192 12.9.2  相似性度量  194 12.9.3  组合BoW和深度学习  195 第13章  Word2vec和GloVe的 词嵌入  197 13.1  使用Word2vec在没有语言模型的情况下创建词嵌入  197 13.1.1  与语言模型相比降低计算复杂性  198 13.1.2  连续词袋模型  199 13.1.3  连续skip-gram模型  199 13.1.4  进一步降低计算复杂度的优化连续skip-gram模型  200 13.2  关于Word2vec的其他思考  201 13.3  矩阵形式的Word2vec  202 13.4  Word2vec总结  203 13.5  编程示例：探索GloVe嵌入的 属性  204 第14章  序列到序列网络和自然 语言翻译  209 14.1  用于序列到序列学习的编-解码器模型  210 14.2  Keras函数式API简介  212 14.3  编程示例：神经机器翻译  214 14.4  实验结果  226 14.5  中间表示的性质  227 第15章  注意力机制和Transformer 架构  229 15.1  注意力机制的基本原理  229 15.2  序列到序列网络中的注意力 机制  230 15.2.1  计算对齐向量  234 15.2.2  对齐向量上的数学符号与 变量  235 15.2.3  关注更深层的网络  236 15.2.4  其他注意事项  237 15.3  循环网络的替代方法  238 15.4  自注意力  239 15.5  多头注意力  240 15.6  Transformer架构  241 第16章  用于图像字幕的一对多 网络  245 16.1  用注意力扩展图像字幕网络  247 16.2  编程示例：基于注意力的图像 字幕  248 第17章  其他主题  264 17.1  自编码器  264 17.1.1  自编码器的使用案例  265 17.1.2  自编码器的其他方面  266 17.1.3  编程示例：用于异常值 检测的自编码器  267 17.2  多模态学习  272 17.2.1  多模态学习的分类  272 17.2.2  编程示例：使用多模态 输入数据进行分类  275 17.3  多任务学习  279 17.3.1  为什么要执行多任务 学习  279 17.3.2  如何实现多任务学习  279 17.3.3  其他方向和变体的基本 实现  280 17.3.4  编程示例：多分类和用单一网络回答问题  281 17.4  网络调优过程  284 17.5  神经网络架构搜索  287 17.5.1  神经网络架构搜索的关键 组成部分  287 17.5.2  编程示例：搜索一个用于CIFAR-10分类的架构  290 17.5.3  神经架构搜索的内在 含义  300 第18章  总结和未来展望  301 18.1  你现在应该知道的事情  301 18.2  伦理AI和数据伦理  302 18.2.1  需要注意的问题  303 18.2.2  问题清单  304 18.3  你还不知道的事情  305 18.3.1  强化学习  305 18.3.2  变分自编码器和生成 对抗网络  305 18.3.3  神经风格迁移  306 18.3.4  推荐系统  307 18.3.5  语音模型  307 18.4  未来展望  307 附录A  线性回归和线性分类  309 A.1  机器学习算法：线性回归  309 A.1.1  一元线性回归  309 A.1.2  多元线性回归  310 A.1.3  用线性函数建模曲率  311 A.2  计算线性回归系数  312 A.3  逻辑回归分类  313 A.4  用线性分类器对XOR进行 分类  314 A.5  支持向量机分类  317 A.6  二元分类器的评价指标  318 附录B  目标检测和分割  321 B.1  目标检测  321 B.1.1  R-CNN  322 B.1.2  Fast R-CNN  324 B.1.3  Faster R-CNN  325 B.2  语义分割  327 B.2.1  上采样技术  328 B.2.2  反卷积网络  332 B.2.3  U-Net  333 B.3  Mask R-CNN 实例分割  334 附录C  Word2vec和GloVe之外的词嵌入  337 C.1  Wordpieces  337 C.2  FastText  339 C.3  基于字符的方法  339 C.4  ELMo  343 C.5  相关工作  345 附录D  GPT、BERT和 RoBERTa  346 D.1  GPT  346 D.2  BERT  349 D.2.1  掩码语言模型任务  349 D.2.2  下一句预测任务  350 D.2.3  BERT的输入输出表示  351 D.2.4  BERT在NLP任务中的 应用  352 D.3  RoBERTa  352 D.4  GPT和BERT的前期工作  354 D.5  基于Transformer的其他模型  354 附录E  Newton-Raphson法与梯度 下降法  356 E.1  Newton-Raphson求根法  356 E.2  Newton-Raphson法与梯度下降法 的关系  358 附录F  数字分类网络的矩阵实现   359 F.1  单一矩阵  359 F.2  小批量实现  361 附录G  卷积层与数学卷积的关系  365 附录H  门控循环单元  369 H.1  GRU的替代实现  371 H.2  基于GRU的网络  371 附录I  搭建开发环境  374 I.1  Python  374 I.2  编程环境  375 I.2.1  Jupyter Notebook  375 I.2.2  使用集成开发环境  375 I.3  编程示例  376 I.4  数据集  376 I.4.1  MNIST数据集  

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP