深度学习高手笔记(卷1)-基础算法
正版保障 假一赔十 可开发票
￥ 73.13 6.7折 ￥ 109.8 全新
库存42件
广东广州
认证卖家担保交易快速发货售后保障
作者刘岩（@大师兄）
出版社人民邮电出版社
ISBN9787115596314
出版时间2021-01
装帧平装
开本16开
定价109.8元
货号11806318
上书时间2024-12-18
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
刘岩, 澳门大学计算机科学专业硕士, 目前就职于京东零售-技术与数据中心。在学生期间从事人工智能相关研究，发表多篇计算机视觉、自然语言处理等方向的专利和学术论文。毕业后从事深度学习相关工作，擅长前沿人工智能算法的原理分析和应用落地，擅长计算机视觉、自然语言处理等方向的技术, 先后参与并负责了多个深度学习算法在不同场景的业务落地，如光学字符识别、公式识别、人脸识别、手势识别、视频抠像、文本分类/命名实体识别、预训练语言模型、语音识别、图神经网络等。目前主要负责电商场景下预训练语言模型的研发以及舆情风险的智能识别与治理。他的知乎账号: 大师兄。
目录
第 一篇 卷积神经网络 第 1章 基础骨干网络 3 1.1 起源：LeNet-5和AlexNet 4 1.1.1 从LeNet-5开始4 1.1.2 觉醒：AlexNet 6 1.2 更深：VGG 11 1.2.1 VGG介绍11 1.2.2 VGG的训练和测试 13 1.3 更宽：GoogLeNet14 1.3.1 背景知识14 1.3.2 Inception v117 1.3.3 GoogLeNet 19 1.3.4 Inception v219 1.3.5 Inception v320 1.3.6 Inception v421 1.3.7 Inception-ResNet23 1.4 跳跃连接：ResNet 26 1.4.1 残差网络 26 1.4.2 残差网络背后的原理 28 1.4.3 残差网络与模型集成 33 1.5 注意力：SENet 33 1.5.1 SE块 33 1.5.2 SE-Inception 和 SE-ResNet34 1.5.3 SENet 的复杂分析 35 1.5.4 小结 35 1.6 更密：DenseNet 36 1.6.1 DenseNet 算法解析及源码实现37 1.6.2 压缩层 38 1.6.3 小结 38 1.7 模型集成：DPN 39 1.7.1 高阶 RNN、DenseNet 和残差网络39 1.7.2 DPN 详解41 1.7.3 小结.42 1.8 像素向量：iGPT 43 1.8.1 iGPT 详解44 1.8.2 实验结果分析48 1.8.3 小结 49 1.9 Visual Transformer 之 Swin Transformer 49 1.9.1 网络结构详解50 1.9.2 Swin Transformer 家族59 1.9.3 小结.60 1.10 Vision Transformer 之 CSWin Transformer60 1.10.1 CSWin Transformer 概述61 1.10.2 十字形窗口自注意力机制61 1.10.3 局部加强位置编码 62 1.10.4 CSWin Transformer 块63 1.10.5 CSWin Transformer 的复杂度 63 1.10.6 小结 64 1.11 MLP :MLP-Mixer 64 1.11.1 网络结构 64 1.11.2 讨论 67 第 2 章 轻量级 N68 2.1 SqueezeNet 68 2.1.1 SqueezeNet 的压缩策略 69 2.1.2 点火模块 69 2.1.3 SqueezeNet 的网络结构 70 2.1.4 SqueezeNet 的能 72 2.1.5 小结 72 2.2 MobileNet v1 和 MobileNet v2 73 2.2.1 MobileNet v1 73 2.2.2 MobileNet v2 77 2.2.3 小结 79 2.3 Xception 80 2.3.1 Inception 回顾 80 2.3.2 Xception 详解 81 2.3.3 小结 82 2.4 ResNeXt 82 2.4.1 从全连接讲起83 2.4.2 简化 Inception 83 2.4.3 ResNeXt 详解84 2.4.4 分组卷积 84 2.4.5 小结 85 2.5 ShuffleNet v1 和 ShuffleNet v2 85 2.5.1 ShuffleNet v185 2.5.2 ShuffleNet v288 2.5.3 小结 92 2.6 CondenseNet 92 2.6.1 分组卷积的问题 93 2.6.2 可学习分组卷积 93 2.6.3 架构设计 96 2.6.4 小结 96 第 3 章 模型架构搜索 97 3.1 PolyNet 97 3.1.1 结构多样98 3.1.2 多项式模型98 3.1.3 对照实验 100 3.1.4 Very Deep PolyNet 101 3.1.5 小结102 3.2 NAS 103 3.2.1 NAS-N103 3.2.2 NAS-RNN106 3.2.3 小结 108 3.3 NASNet 108 3.3.1 NASNet 控制器 109 3.3.2 NASNet 的强化学习110 3.3.3 计划 DropPath110 3.3.4 其他超参数111 3.3.5 小结 111 3.4 PNASNet 112 3.4.1 更小的搜索空间 112 3.4.2 SMBO 113 3.4.3 代理函数 114 3.4.4 PNASNet 的实验结果115 3.4.5 小结 116 3.5 AmoebaNet 116 3.5.1 搜索空间 117 3.5.2 年龄进化 118 3.5.3 AmoebaNet 的网络结构120 3.5.4 小结 121 3.6 MnasNet 121 3.6.1 优化目标 122 3.6.2 搜索空间 124 3.6.3 优化策略 125 3.6.4 小结 126 3.7 MobileNet v3 126 3.7.1 参考结构 127 3.7.2 网络搜索 127 3.7.3 人工设计 129 3.7.4 修改 SE 块 131 3.7.5 Lite R-ASPP 132 3.7.6 小结 133 3.8 EfficientNet v1 133 3.8.1 背景知识 133 3.8.2 EfficientNet v1 详解135 3.8.3 小结 137 3.9 EfficientNet v2 137 3.9.1 算法动机 137 3.9.2 EfficientNet v2 详解139 3.10 RegNet 141 3.10.1 设计空间 141 3.10.2 RegNet 详解 145 3.10.3 小结 151 篇 自然语言处理 第 4 章 基础序列模型 155 4.1 LSTM 和 GRU 155 4.1.1 序列模型的背景 155 4.1.2 LSTM 157 4.1.3 GRU 159 4.1.4 其他 LSTM 159 4.2 注意力机制 160 4.2.1 机器翻译的注意力机制160 4.2.2 图解注意力机制 161 4.2.3 经典注意力模型 166 4.2.4 小结 170 4.3 Transformer 170 4.3.1 Transformer 详解171 4.3.2 位置嵌入 177 4.3.3 小结 178 4.4 Transformer-XL 179 4.4.1 Transformer 的缺点 179 4.4.2 相对位置编码181 4.4.3 Transformer-XL 详解 183 4.4.4 小结 185 第 5 章 模型预训练 186 5.1 RNN 语言模型 187 5.1.1 语言模型中的 RNN187 5.1.2 训练数据 188 5.1.3 训练细节 188 5.2 ELMo 189 5.2.1 双向语言模型189 5.2.2 ELMo 详解191 5.2.3 应用 ELMo 到下游任务192 5.2.4 小结.192 5.3 GPT-1、GPT-2 和 GPT-3 192 5.3.1 GPT-1：无监督学习193 5.3.2 GPT-2：多任务学习196 5.3.3 GPT-3：海量参数197 5.3.4 小结 200 5.4 BERT 200 5.4.1 BERT 详解 201 5.4.2 小结 205 5.5 BERT“魔改”之 RoBERTa、ALBERT、MT-DNN 和 XLM 205 5.5.1 成熟版 BERT ：RoBERTa 206 5.5.2 更快的 BERT ：ALBERT 207 5.5.3 多任务 BERT ：MT-DNN 207 5.5.4 多语言 BERT ：XLM 209 5.5.5 小结211 5.6 XLNet 211 5.6.1 背景知识.212 5.6.2 XLNet 详解213 5.6.3 小结.216 5.7 ERNIE（清华大学） 216 5.7.1 加入知识图谱的动机217 5.7.2 异构信息融合217 5.7.3 DAE.220 5.7.4 ERNIE-T 的微调220 5.7.5 小结221 5.8 ERNIE（百度）和 ERNIE 2.0 221 5.8.1 ERNIE-B222 5.8.2 ERNIE 2.0.223 5.8.3 小结226 第三篇 模型优化 第 6 章 模型优化方法229 6.1 Dropout 230 6.1.1 什么是 Dropout.230 6.1.2 Dropout 的数学原理231 6.1.3 Dropout 是一个正则网络232 6.1.4 N 的 Dropout232 6.1.5 RNN 的 Dropout233 6.1.6 Dropout 的变体234 6.1.7 小结.236 6.2 BN 237 6.2.1 BN 详解237 6.2.2 BN 的背后原理240 6.2.3 小结.243 6.3 LN .243 6.3.1 BN 的问题.244 6.3.2 LN 详解.244 6.3.3 对照实验245 6.3.4 小结247 6.4 WN 247 6.4.1 WN 的计算247 6.4.2 WN 的原理248 6.4.3 BN 和 WN 的关系249 6.4.4 WN 的参数初始化249 6.4.5 均值 BN.249 6.4.6 小结 249 6.5 IN 250 6.5.1 IST 中的 IN250 6.5.2 IN 与 BN 对比250 6.5.3 TensorFlow 中的 IN.251 6.5.4 小结.252 6.6 GN 252 6.6.1 GN 算法252 6.6.2 GN 的源码253 6.6.3 GN 的原理253 6.6.4 小结 253 6.7 SN 254 6.7.1 SN 详解.254 6.7.2 SN 的优点.256 6.7.3 小结 256
主编推荐
有别于以卷积神经网络、循环神经网络等基础概念为核心的同类书籍，本书梳理了近10年来深度学习方向诞生的算法，从算、算法源码、实验结果等方面对算法进行分析和介绍，讨论深度学习在卷积神经网络、自然语言处理、模型优化等方向的发展历程以及各个算法的优缺点，分析各个算法是如何针对先前算法的若干问题提出解决方案的。 本书共三篇，篇卷积神经网络，从基础骨干网络、轻量级N、模型架构搜索3个方向展开，介绍计算机视觉方向的里程碑算法；篇自然语言处理，介绍基础序列模型和模型预训练；第三篇模型优化，介绍模型优化方法。
精彩内容
本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。 通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本质，学习模型优化方法。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，都能从本书中获益。
媒体评论
如今，我们正处在以深度学习为代表的第三次人工智能热潮中。本书系统地梳理了近10年来的深度学习算法，结构清晰，内容丰富，将深度学习算法的讲解提升到了一个新的高度，是读者深入了解深度学习的不二之选,值得每一位深度学习方向的从业者、研究者和在校学生阅读和学习。 ——颜伟鹏 京东集团副总裁，京东零售技术委员会主席 深度学习崛起近10年，我们要对深度学习近10年的发展做一些梳理和总结。本书以近10年来深度学习方向诞生的算法为基础，重点讨论各个算法的优缺点，介绍各个算法是如何分析先前算法的若干问题并提出解决方案的。本书包含作者对深度学习的见解和思考，相信读者能够从本书中汲取相应的知识并得到启发。 ——包勇军 京东集团副总裁，京东零售技术委员会数据算法通道会长 在本书中，作者系统地梳理了计算机视觉和自然语言处理方向的深度学习模型，并在详细讲解模型算法的同时，以从业者的视角给出自己的理解，启发读者思考。本书很适合有深度学习基础的读者精进学习，无论是在广度还是在深度上，本书能帮助读者扎实地掌握模型的原理，少走很多弯路。 ——谢文睿 Datawhale开源项目负责人，百度算法工程师，《机器学习公式详解》作者 深度学习是近10年来前沿的计算机技术之一，本书是对深度学习算法的汇总，并融入了作者丰富的工作经验。本书系统地介绍了深度学习计算机视觉、自然语言处理等多个重要方向的里程碑算法，具有参考和学习价值，值得该方向的从业者、研究者和在校学生认真研读。 ——黄志文 澳门大学电脑及资讯科学系副主任、副教授
相关推荐
— 没有更多了 —
以下为对购买帮助不大的评价