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深度學習入門與實戰(人工智慧與大數據專業群人才培養系列教材)

  • 作者：編者:程源|責編:李靜
  • 出版社：電子工業
  • ISBN：9787121470875
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：276
人民幣：RMB 55.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本教材從編程的角度「解剖」了深度學習的底層技術，通過介紹使用Python庫實現經典的深度學習框架的過程，逐步向讀者呈現深度學習的本質；用典型示例深入剖析深度學習在電腦視覺和自然語言處理方面的應用，同時介紹這些示例的TensorFlow實現，並在配套代碼中給出相應的飛槳實現，以便讀者深刻理解深度學習框架的技術細節；通過目標檢測、中文文本分類、超越文本分類和視頻動作識別等，為讀者呈現最前沿的深度學習技術。
    本教材可作為高職院校人工智慧相關專業學生的教材，也可作為相關培訓機構的培訓資料。對於廣大的Python深度學習愛好者來說，本教材也是很好的參考用書。
作者介紹
編者:程源|責編:李靜
目錄
第一部分  入門篇
  1  深度學習概述
    1.1  讓機器學會學習
      1.1.1  什麼是人工智慧
      1.1.2  從數據中學習
      1.1.3  數據表示
    1.2  深度學習之「深度」
      1.2.1  深度神經網路
      1.2.2  神經網路的學習
    1.3  深度學習的數據表示
      1.3.1  標量、向量、矩陣與張量
      1.3.2  現實世界中的張量數據
    1.4  為什麼要用深度學習
      1.4.1  深度學習有何不同
      1.4.2  深度學習的大眾化
    本章小結
  2  神經網路入門
    2.1  神經元
      2.1.1  人工神經元
      2.1.2  激活函數
    2.2  多層神經網路
      2.2.1  分類問題與獨熱編碼
      2.2.2  MNIST數據集
      2.2.3  神經網路
      2.2.4  神經網路的輸出
      2.2.5  softmax函數
    2.3  神經網路的前向傳播
      2.3.1  各層間數據傳遞
      2.3.2  多個樣本情況
      2.3.3  識別精度
    2.4  監督學習與損失函數
      2.4.1  監督學習
      2.4.2  損失函數
    2.5  梯度下降法
      2.5.1  梯度下降
      2.5.2  梯度的實現
      2.5.3  梯度下降法的實現
    2.6  學習演算法的實現
      2.6.1  兩層神經網路模型
      2.6.2  神經網路的訓練
      2.6.3  基於測試數據的評價
    2.7  練習題
    本章小結
  3  神經網路的反向傳播
    3.1  反向傳播的基礎知識
    3.2  反向傳播的實現
      3.2.1  ReLU層
      3.2.2  sigmoid層
      3.2.3  Linear層
      3.2.4  softmax-with-Loss層

    3.3  學習演算法的實現
      3.3.1  構建多層神經網路模型
      3.3.2  隨機梯度下降法
    3.4  訓練與預測
      3.4.1  構建訓練器
      3.4.2  訓練與推理
    3.5  練習題
    本章小結
  4  改善神經網路
    4.1  優化演算法
      4.1.1  動量法
      4.1.2  AdaGrad
      4.1.3  RMSprop
      4.1.4  Adam
      4.1.5  更新方法比較
      4.1.6  改進訓練器
    4.2  數值穩定性和模型初始化
      4.2.1  梯度消失和梯度爆炸
      4.2.2  抑制梯度異常初始化
      4.2.3  權重初始值的比較
    4.3  正則化與規範化
      4.3.1  過擬合與欠擬合
      4.3.2  權值衰減
      4.3.3  Dropout正則化
      4.3.4  批量規範化
      4.3.5  改進模型
    4.4  練習題
    本章小結
  5  卷積神經網路
    5.1  從全連接到卷積
      5.1.1  卷積運算
      5.1.2  填充
      5.1.3  步幅
      5.1.4  三維數據的卷積運算
    5.2  卷積層
      5.2.1  卷積計算
      5.2.2  四維數組
      5.2.3  基於im2col函數的展開
      5.2.4  卷積層的實現
    5.3  匯聚層
      5.3.1  匯聚運算
      5.3.2  匯聚層的實現
    5.4  LeNet網路
      5.4.1  構建模型
      5.4.2  模型訓練
      5.4.3  預測
    5.5  卷積神經網路的可視化
    5.6  練習題
    本章小結
  6  深度學習實踐

    6.1  深度學習的工作流程
      6.1.1  定義任務
      6.1.2  開發模型
      6.1.3  部署模型
    6.2  訓練一個圖像分類模型
      6.2.1  創建圖像數據集
      6.2.2  數據預處理
      6.2.3  構建並訓練模型
    6.3  文本分類
      6.3.1  準備文本數據
      6.3.2  構建網路
    6.4  練習題
    本章小結
第二部分  實戰篇
  7  卷積神經網路進階
    7.1  深度學習框架
      7.1.1  神經網路剖析
      7.1.2  實現AlexNet網路
      7.1.3  數據預處理
      7.1.4  網路訓練
    7.2  數據增強
      7.2.1  使用數據增強
      7.2.2  訓練網路
    7.3  使用塊的網路（VGG）
      7.3.1  VGG塊
      7.3.2  VGG概述
      7.3.3  訓練模型
    7.4  殘差網路
      7.4.1  殘差塊
      7.4.2  ResNet
      7.4.3  訓練模型
    7.5  微調模型
    7.6  練習題
    本章小結
  8  目標檢測
    8.1  目標檢測的基本概念
      8.1.1  目標定位
      8.1.2  正樣本製作
      8.1.3  交並比
      8.1.4  先驗框
      8.1.5  非極大值抑制
    8.2  YOLOv3
      8.2.1  基本框架
      8.2.2  產生候選區域
      8.2.3  特徵提取
      8.2.4  解碼預測結果
      8.2.5  損失函數
    8.3  訓練自己的YOLOv3模型
      8.3.1  數據集的準備
      8.3.2  數據集的處理

      8.3.3  開始網路訓練
      8.3.4  訓練結果預測
    8.4  練習題
    本章小結
  9  中文文本分類
    9.1  詞嵌入
      9.1.1  什麼是詞嵌入
      9.1.2  利用詞嵌入
    9.2  循環神經網路
      9.2.1  循環神經網路概述
      9.2.2  理解LSTM層
      9.2.3  基於LSTM的中文文本分類
    9.3  注意力機制
      9.3.1  注意力提示
      9.3.2  自注意力
      9.3.3  多頭注意力
    9.4  Transformer
    9.5  位置編碼
    9.6  練習題
    本章小結
  10  超越文本分類
    10.1  序列到序列的學習
      10.1.1  編碼器-解碼器架構
      10.1.2  Transformer解碼器
    10.2  機器翻譯
      10.2.1  準備語料
      10.2.2  端到端Transformer
    10.3  文本生成
      10.3.1  如何生成序列數據
      10.3.2  採樣策略的重要性
      10.3.3  用keras實現文本生成
      10.3.4  可變溫度採樣的文本生成
    10.4  練習題
    本章小結
  11  視頻動作識別
    11.1  視頻動作識別與數據集
      11.1.1  數據集簡介
      11.1.2  數據集獲取及劃分
      11.1.3  數據集預處理
    11.2  基於CNN-RNN架構的視頻分類
      11.2.1  數據準備
      11.2.2  創建序列模型
      11.2.3  推斷
    11.3  基於Transformer的視頻分類
      11.3.1  數據準備
      11.3.2  構建Transformer模型
      11.3.3  模型推斷
    11.4  練習題
    本章小結

  • 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