幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

Python深度學習(模型方法與實現)/智能系統與技術叢書

  • 作者：(保加利亞)伊凡·瓦西列夫|責編:王春華//李美瑩|譯者:冀振燕//趙子涵//劉偉//劉冀瑞//董為
  • 出版社：機械工業
  • ISBN：9787111688457
  • 出版日期：2021/09/01
  • 裝幀：平裝
  • 頁數：300
人民幣：RMB 129 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    為了構建穩健的深度學習系統，需要理解神經網路的工作原理以及如何訓練CNN模型等知識。通過本書，你可以探索新開發的深度學習模型及其在各個領域的使用方法，以及基於應用領域的實現。
    本書首先介紹構建模塊和神經網路背後的數學知識，然後介紹CNN及其在電腦視覺領域的先進應用，以及在對象檢測和圖像分割中應用流行的CNN架構。還將介紹變分自編碼器和GAN，以及如何使用神經網路來提取單詞的複雜向量表示。在繼續討論各種類型的循環網路（如LSTM和GRU）之前，會介紹如何在沒有RNN的情況下使用注意力機制處理序列數據。然後，介紹如何使用圖神經網路處理結構化數據，以及如何使用元學習採用較少的訓練樣本來訓練神經網路。最後，了解如何將深度學習應用於自動駕駛汽車。
    閱讀本書，你將掌握關鍵的深度學習概念和深度學習模型在現實世界中的不同應用。
    你將學到：
    先進的神經網路架構。
    神經網路背後的理論和數學知識。
    訓練DNN並將其應用於現代深度學習問題。
    使用CNN進行對象檢測和圖像分割。
    實現GAN和變分自編碼器來產生 新圖像。
    使用seq2seq模型解決NLP任務，如機器翻譯。
    了解DL技術，如元學習和圖神經網路。
作者介紹
(保加利亞)伊凡·瓦西列夫|責編:王春華//李美瑩|譯者:冀振燕//趙子涵//劉偉//劉冀瑞//董為
目錄
譯者序
前言
作者簡介
審校者簡介
第一部分  核心概念
  第1章  神經網路的具體細節
    1.1  神經網路的數學基礎
      1.1.1  線性代數
      1.1.2  概率介紹
      1.1.3  微分學
    1.2  神經網路的簡單介紹
      1.2.1  神經元
      1.2.2  層的運算
      1.2.3  神經網路
      1.2.4  激活函數
      1.2.5  通用逼近定理
    1.3  訓練神經網路
      1.3.1  梯度下降
      1.3.2  代價函數
      1.3.3  反向傳播
      1.3.4  權重初始化
      1.3.5  SGD改進
    1.4  總結
第二部  分電腦視覺
  第2章  理解卷積網路
    2.1  理解CNN
      2.1.1  卷積類型
      2.1.2  提高CNN的效率
      2.1.3  可視化CNN
      2.1.4  CNN正則化
    2.2  遷移學習介紹
      2.2.1  使用PyTorch實現遷移學習
      2.2.2  使用TensorFlow 2.0實現遷移學習
    2.3  總結
  第3章  高級卷積網路
    3.1  AlexNet介紹
    3.2  VGG介紹
    3.3  理解殘差網路
    3.4  理解Inception網路
      3.4.1  Inception v
      3.4.2  Inception v2和v
      3.4.3  Inception v4和Inception-ResNet
    3.5  Xception介紹
    3.6  MobileNet介紹
    3.7  DenseNet介紹
    3.8  神經架構搜索的工作原理
    3.9  膠囊網路介紹
      3.9.1  卷積網路的局限性
      3.9.2  膠囊
      3.9.3  膠囊網路的結構

    3.10  總結
  第4章  對象檢測與圖像分割
    4.1  對象檢測介紹
      4.1.1  對象檢測的方法
      4.1.2  使用YOLO v3進行對象檢測
      4.1.3  使用Faster R-CNN進行對象檢測
    4.2  圖像分割介紹
      4.2.1  使用U-Net進行語義分割
      4.2.2  使用Mask R-CNN進行實例分割
    4.3  總結
  第5章  生成模型
    5.1  生成模型的直覺和證明
    5.2  VAE介紹
    5.3  GAN介紹
      5.3.1  訓練GAN
      5.3.2  實現GAN
      5.3.3  訓練GAN的缺陷
    5.4  GAN的類型
      5.4.1  DCGAN
      5.4.2  CGAN
      5.4.3  WGAN
      5.4.4  使用CycleGAN實現圖像到圖像的轉換
    5.5  藝術風格遷移介紹
    5.6  總結
第三部分  自然語言和序列處理
  第6章  語言建模
    6.1  理解n-gram
    6.2  神經語言模型介紹
      6.2.1  神經概率語言模型
      6.2.2  word2vec
      6.2.3  GloVe模型
    6.3  實現語言模型
      6.3.1  訓練嵌入模型
      6.3.2  可視化嵌入向量
    6.4  總結
  第7章  理解RNN
    7.1  RNN介紹
    7.2  長短期記憶介紹
    7.3  門控循環單元介紹
    7.4  實現文本分類
    7.5  總結
  第8章  seq2seq模型和注意力機制
    8.1  seq2seq模型介紹
    8.2  使用注意力的seq2seq
      8.2.1  Bahdanau Attention
      8.2.2  Luong Attention
      8.2.3  一般注意力
      8.2.4  使用注意力實現seq2seq
    8.3  理解transformer
      8.3.1  transformer注意力

      8.3.2  transformer模型
      8.3.3  實現transformer
    8.4  transformer語言模型
      8.4.1  基於transformer的雙向編碼器表示
      8.4.2  transformer-XL
      8.4.3  XLNet
      8.4.4  使用transformer語言模型生成文本
    8.5  總結
第四部分  展望未來
  第9章  新興的神經網路設計
    9.1  GNN介紹
      9.1.1  循環GNN
      9.1.2  卷積圖神經網路
      9.1.3  圖自編碼器
      9.1.4  神經圖學習
    9.2  記憶增強神經網路介紹
      9.2.1  神經圖靈機
      9.2.2  MANN
    9.3  總結
  第10章  元學習
    10.1  元學習介紹
      10.1.1  零樣本學習
      10.1.2  單樣本學習
      10.1.3  元訓練和元測試
    10.2  基於度量的元學習
      10.2.1  為單樣本學習匹配網路
      10.2.2  孿生網路
      10.2.3  原型網路
    10.3  基於優化的元學習
    10.4  總結
  第11章  自動駕駛汽車的深度學習
    11.1  自動駕駛汽車介紹
      11.1.1  自動駕駛汽車研究簡史
      11.1.2  自動化的級別
    11.2  自動駕駛汽車系統的組件
      11.2.1  環境感知
      11.2.2  路徑規劃
    11.33  D數據處理介紹
    11.4  模仿駕駛策略
    11.5  ChauffeurNet駕駛策略
      11.5.1  輸入/輸出表示
      11.5.2  模型架構
      11.5.3  訓練
    11.6  總結

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032