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

深度學習全景--技術與應用解析(微視頻版)

  • 作者：編者:遲殿委//賈澤豪|責編:張玥//常建麗
  • 出版社：清華大學
  • ISBN：9787302703563
  • 出版日期：2025/10/01
  • 裝幀：平裝
  • 頁數：287
人民幣：RMB 69.8 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書基於Python語言和PyTorch框架，闡述深度學習技術與應用，內容包括深度學習基礎模型與深度學習應用技術兩部分。深度學習基礎模型部分（第1?4章），介紹深度學習基礎、卷積神經網路、循環神經網路、Transformer；深度學習應用技術部分（第5?8章），介紹電腦視覺技術、時間序列預測技術、自然語言處理技術、多模態技術。
    本書從基礎理論到前沿模型，全方位覆蓋深度學習技術，通過可視化技術直觀展示深度學習演算法及其應用效果，結合作者的科研成果和實際項目案例，提供具體應用實例，增強讀者的實踐能力，涵蓋最新的大模型技術和研究前沿，幫助讀者緊跟技術發展潮流。本書適合對深度學習感興趣的廣大學習者和研究者，包括初學者、電腦科學及相關專業的學生、數據科學家、人工智慧工程師以及希望在深度學習領域深入探索的專業人士。通過本書，讀者可以系統地學習深度學習技術，並能將所學知識有效應用於實際項目中。
作者介紹
編者:遲殿委//賈澤豪|責編:張玥//常建麗
    遲殿委，南昌大學電腦軟體與理論專業碩士，系統架構設計師。有多年企業軟體研發經驗和豐富的JavaEE、大數據技術培訓經驗，熟練掌握JavaEE與大數據全棧技術框架，擅長JavaEE系統架構設計、大數據分析與挖掘。著有圖書《Hadoop大數據分析技術》《Hadoop+Spark大數據分析實戰》《Spring Boot企業級開發實戰（視頻教學版）》《深入淺出Java編程》《Spring Boot+Spring Cloud微服務開發》。
目錄
第1章  深度學習基礎
  1.1  深度學習概述
  1.2  神經網路原理
    1.2.1  神經網路
    1.2.2  激活函數
  1.3  優化演算法
    1.3.1  前向傳播與損失函數
    1.3.2  反向傳播
    1.3.3  梯度下降
    1.3.4  學習率衰減
    1.3.5  模型的訓練流程
  1.4  過擬合的抑制
    1.4.1  過擬合
    1.4.2  Dropout
    1.4.3  批標準化
    1.4.4  權重衰減
    1.4.5  早停機制
第2章  卷積神經網路
  2.1  卷積神經網路概述
  2.2  卷積
    2.2.1  卷積操作
    2.2.2  尺寸、填充與步長
    2.2.3  常見卷積
  2.3  池化
    2.3.1  平均池化
    2.3.2  最大池化
    2.3.3  自適應池化
  2.4  分類器
    2.4.1  全連接分類器
    2.4.2  全卷積分類器
  2.5  卷積神經網路設計
    2.5.1  AlexNet
    2.5.2  VGGNet
    2.5.3  ResNet
  2.6  卷積神經網路的訓練與分析
    2.6.1  訓練流程
    2.6.2  可解釋性分析
第3章  循環神經網路
  3.1  RNN
    3.1.1  序列數據
    3.1.2  遞歸特性
  3.2  LSTM
    3.2.1  記憶
    3.2.2  遺忘門
    3.2.3  選擇記憶門
    3.2.4  輸出門
    3.2.5  LSTM的可視化
  3.3  GRU
    3.3.1  重置門
    3.3.2  更新門

    3.3.3  GRU的代碼實現
  3.4  應用模式
    3.4.1  雙向RNN
    3.4.2  多對一
    3.4.3  一對多
    3.4.4  多對多
第4章  Transformer
  4.1  自注意力機制
    4.1.1  自注意力機制
    4.1.2  注意力機制中的QKV
    4.1.3  多頭自注意力機制
    4.1.4  掩碼多頭自注意力機制
  4.2  Transformer的基本結構
    4.2.1  位置編碼
    4.2.2  編碼器
    4.2.3  解碼器
    4.2.4  交叉自注意力機制的應用
  4.3  大模型的定義與應用
    4.3.1  大模型的定義
    4.3.2  大模型的應用
    4.3.3  Hugging Face與大模型
  4.4  機器翻譯任務中Transformer的訓練
    4.4.1  數據集的構建
    4.4.2  模型的構建
    4.4.3  損失計算與優化
    4.4.4  自回歸預測
第5章  電腦視覺技術
  5.1  視覺模型
    5.1.1  CNN模型
    5.1.2  ViT模型
  5.2  分類任務
    5.2.1  單標籤分類
    5.2.2  多標籤分類
    5.2.3  分類任務的評估指標
    5.2.4  類別不均衡問題
  5.3  目標檢測任務
    5.3.1  R-CNN模型
    5.3.2  YOLO模型
    5.3.3  DETR模型
  5.4  圖像分割任務
    5.4.1  語義分割
    5.4.2  實例分割
    5.4.3  視覺分割大模型SAM
  5.5  視覺自監督預訓練
    5.5.1  遷移學習與有監督預訓練
    5.5.2  SimCLR演算法
    5.5.3  MAE演算法
  5.6  視覺實戰探索：基於輔助訓練的車牌識別研究
    5.6.1  引言
    5.6.2  相關工作

    5.6.3  研究方法
    5.6.4  實驗與討論
第6章  時間序列預測技術
  6.1  時間序列
    6.1.1  時間序列的特性
    6.1.2  時間序列特徵分解
    6.1.3  時間序列的降噪
  6.2  時間序列預測任務
    6.2.1  短期時間序列預測
    6.2.2  長期時間序列預測
    6.2.3  異常檢測
    6.2.4  時間序列分類
    6.2.5  缺失值填補
  6.3  時序模型
    6.3.1  循環神經網路模型
    6.3.2  時域卷積神經網路模型
    6.3.3  Transformer模型
  6.4  時間序列預測任務的評估指標
  6.5  時間序列預測實戰探索：基於PCA降噪特徵選擇與LSTM的湖泊溶解氧含量預測模型研究
    6.5.1  引言
    6.5.2  基於MIC特徵選取方法
    6.5.3  湖泊水質溶解氧預測模型構建
    6.5.4  實驗
第7章  自然語言處理技術
  7.1  自然語言處理任務
    7.1.1  文本分類
    7.1.2  命名實體識別
    7.1.3  機器翻譯
    7.1.4  自然語言生成
  7.2  文本數據預處理
    7.2.1  分詞
    7.2.2  去停用詞
    7.2.3  文本可視化展示
  7.3  文本向量化
    7.3.1  TF-IDF
    7.3.2  獨熱編碼
    7.3.3  詞嵌入
  7.4  自然語言處理模型
    7.4.1  數據填充
    7.4.2  循環神經網路
    7.4.3  Transformer
  7.5  BERT
    7.5.1  模型結構
    7.5.2  預訓練-微調模式
    7.5.3  預訓練方式
    7.5.4  模型調用
    7.5.5  優勢與意義
  7.6  GPT
    7.6.1  模型結構
    7.6.2  預訓練方式

    7.6.3  模型調用
    7.6.4  優勢與意義
  7.7  NLP實戰探索：基於BERT的模型的酒店評論文本情感分析研究
    7.7.1  引言
    7.7.2  數據集
    7.7.3  BERT模型的構建
    7.7.4  實驗
第8章  多模態技術
  8.1  多模態概述
  8.2  多模態特徵對齊
  8.3  多模態輸入融合
    8.3.1  拼接或相加
    8.3.2  自注意力機制
    8.3.3  交叉注意力機制
  8.4  跨模態輸出
    8.4.1  Seq2Seq
    8.4.2  Transformer Encoder-Decoder
  8.5  CLIP視覺文本多模態
    8.5.1  圖像文本特徵
    8.5.2  損失函數
    8.5.3  零樣本分類
  8.6  多模態常見任務
    8.6.1  圖文檢索
    8.6.2  視覺問答
    8.6.3  文本-圖像生成
    8.6.4  多模態目標檢測
  8.7  多模態技術實戰探索：基於CLIP的文本圖像檢索實現
參考文獻

  • 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