深度学习(核心技术工具与案例解析)/智能系统与技术丛书
全新正版 极速发货
￥ 48.27 7.0折 ￥ 69 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者高彦杰//于子叶
出版社机械工业
ISBN9787111603030
出版时间2018-07
装帧其他
开本其他
定价69元
货号30227724
上书时间2024-05-31
商品详情
- 品相描述：全新
- 商品描述
-
目录
前言
第1章 了解深度学习
1.1 什么是深度学习
1.1.1 深度学习能解决的问题
1.1.2 深度学习适用的领域
1.2 深度学习的技术发展
1.2.1 基础技术发展
1.2.2 应用技术发展
1.3 深度学习的知识点汇总
1.3.1 深度学习的预备技术
1.3.2 深度学习的技术构成
1.3.3 深度学习向其他行业与技术领域的延伸
1.4 深度学习工具与平台介绍
1.4.1 深度学习框架
1.4.2 深度学习基础架构
1.4.3 深度学习开发工具
1.4.4 深度学习辅助工具
1.4.5 深度学习云平台服务
1.5 本章小结
1.6 参考资料
第2章 深度学习技术
2.1 深度学习基础
2.1.1 感知器
2.1.2 激活函数
2.1.3 输入层、隐藏层、输出层
2.1.4 前向传播与反向传播求导
2.2 CNN
2.2.1 前馈网络解决图像存在的问题
2.2.2 卷积神经网络
2.2.3 图像的几个不变性
2.2.4 卷积
2.2.5 池化
2.2.6 Inception
2.2.7 Flatten层和全连接层
2.2.8 跳层连接
2.2.9 经典CNN
2.3 RNN
2.3.1 RNN结构
2.3.2 基本结构与前向传播
2.3.3 BPTT
2.3.4 LSTM
2.3.5 RNN拓展
2.4 最优化算法
2.4.1 梯度下降
2.4.2 Adam
2.5 本章小结
第3章 TensorFlow基础
3.1 TensorFlow
3.2 获取与安装
3.3 变量及作用域
3.4 构建计算图
3.5 全连接网络构建
3.6 CNN构建
3.7 RNN构建
3.8 多架构运行
3.8.1 GPU使用
3.8.2 多CPU使用
3.9 队列使用
3.10 本章小结
第4章 TensorFlow进阶
4.1 TensorFlow架构与原理
4.2 TensorFlow扩展
4.2.1 TF Layers
4.2.2 TF Slim
4.2.3 TFLearn
4.2.4 Keras
4.3 Tensorboard与问题监控
4.4 改善深度神经网络
4.5 性能优化建议
4.6 深度神经网络结构
4.6.1 Inception结构
4.6.2 ResNet结构
4.6.3 Seq2Seq结构
4.6.4 Attention
4.7 本章小结
第5章 语音识别器
5.1 任务分析
5.2 数据与特征分析
5.2.1 语音数据库
5.2.2 语音数据特征
5.3 主流语音识别网络结构
5.3.1 用于语音识别的CNN
5.3.2 用于语音识别的RNN
5.4 CTC Loss
5.5 文本向量化
5.5.1 英文文本向量化
5.5.2 中文文本向量化
5.5.3 文本标签比对
5.6 完整构建神经网络
5.6.1 构建CNN识别网络
5.6.2 用于语音识别的RNN
5.7 数据训练
5.8 参数调优
5.9 实际数据分析
5.10 本章小结
第6章 对话机器人
6.1 对话机器人概述与应用领域
6.2 对话机器人主流技术
6.2.1 基于模板的对话机器人
6.2.2 基于检索技术的对话机器人
6.2.3 基于深度学习的对话机器人
6.3 对话机器人的前沿与功能扩展
6.4 深度学习对话机器人原理
6.5 构建对话机器人
6.5.1 Bot界面与交互
6.5.2 语料预处理
6.5.3 模型构建
6.5.4 训练流程
6.5.5 在线推断
6.6 本章小结
第7章 人脸识别器
7.1 任务分析
7.2 Detection、Aliment与Identify
7.3 数据特征分析
7.3.1 人脸位置和范围数据
7.3.2 人脸关键点数据
7.3.3 人脸识别数据库
7.4 haar分类器方式
7.4.1 固定特征的提取
7.4.2 分类器
7.4.3 代码实现
7.5 神经网络方法演进
7.6 人脸识别网络构建
7.6.1 人脸检测网络MTCNN
7.6.2 用于人脸检测的GoogleNet
7.7 主流人脸识别网络差异分析
7.8 TensorFlow搭建网络
7.9 参数调优
7.10 实战分析
7.11 本章小结
第8章 自动驾驶
8.1 自动驾驶的介绍与应用领域
8.1.1 自动驾驶的应用场景
8.1.2 自动驾驶分级
8.2 自动驾驶技术
8.2.1 端到端的自动驾驶历史
8.2.2 底层硬件支撑技术平台
8.3 深度增强学习
8.4 行车检测
8.4.1 物体检测
8.4.2 YOLO模型
8.4.3 车辆图像数据探索
8.4.4 车辆视频数据预处理
8.4.5 迁移学习
8.4.6 模型推断
8.4.7 绘制检测结果
8.5 端到端自动驾驶
8.5.1 英伟达End to End模型
8.5.2 评估指标
8.5.3 数据分析
8.5.4 读入视频，并处理图像
8.5.5 深度学习模型构建与训练
8.5.6 可视化结果
8.6 本章小结
8.7 参考资料
第9章 可视化实践
9.1 可视化发展
9.2 可视化过程
9.3 Matplotlib
9.4 ECharts
9.5 可视化实践
9.6 三维可视化
9.7 动态可视化
9.8 本章小结
第10章 优化实践
10.1 通用深度神经网络训练优化建议
10.1.1 过拟合与欠拟合
10.1.2 数据增强
内容摘要
高彦杰、于子叶著的《深度学习》由微软亚洲研究院的资深AI工程师撰写，是一本面向初学者的、以实战为导向的深度学习指南。
本书首先详细讲解了深度学习的知识体系、核心概念、模型与算法、工具和库(TensorFlow等)等全栈技术知识，然后以案例的形式讲解了如何将这些知识应用到计算机视觉、自然语言处理、语音识别、对话机器人、人脸识别、自动驾驶等领域。
全书一共分为10章：第1章从宏观的角度系统地梳理了深度学习的适
用领域、发展过程、知识图谱，以及各种工具与平台，目的是让读者对这个领域有一个整体性的认识，为后面的学习打下基础。
第2章从微观的角度结合CNN、RNN等神经网络详细阐述了深度学习的核心概念、经典模型和算法。
第3章和第4章对深度学习框架TensorFlow进行了全面讲解，从基本的安装、配置，到高级特性和性能优化，面面俱到，能引领读者快速掌握TensorFlow的基本使用方法。
第5～8章在前4章的基础上，以实战的方式讲解了如何以TersorFlow为工具，将深度学习的各项技术应用到语音识别、对话机器人、人脸识别、自动驾驶等领域。结合实际的应用场景，比生硬地讲技术知识点效果更好。
第9～10章讲解了深度学习的可视化实践和性能优化实践。
深度学习涉及的知识门类多且复杂，初学者进入这个领域的门槛很高，本书作者结合自己多年的学习和实战经验，提炼出了初学者应该掌握的关键技术，指引性非常强，大大降低了学习的难度。此外，以实战为导向的知识点串讲方式，也能让读者学得更轻松。
— 没有更多了 —
以下为对购买帮助不大的评价