Deep Learning 5｜生成模型開發實作 ゼロから作るDeep Learning ❺―生成モデル編
斎藤康毅 著 吳嘉芳 譯
- 出版商: 歐萊禮
- 出版日期: 2025-09-19
- 定價: $780
- 售價: 7.9 折 $616
- 語言: 繁體中文
- 頁數: 312
- 裝訂: 平裝
- ISBN: 6264251321
- ISBN-13: 9786264251327
-
相關分類:
DeepLearning
-
Deep Learning｜用 Python 進行深度學習的基礎理論實作 Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作 Deep Learning 3｜用 Python 進行深度學習框架的開發實作 Deep Learning 4｜用 Python 進行強化學習的開發實作 Deep Learning 5｜生成模型開發實作
立即出貨 (庫存 > 10)
買這商品的人也買了...
-
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
初探機器學習｜使用 Python (Thoughtful Machine Learning with Python)$480$379 -
Deep Learning 2｜用 Python 進行自然語言處理的基礎理論實作$680$537 -
Deep Learning 3｜用 Python 進行深度學習框架的開發實作$780$616 -
$505AI 嵌入式系統：算法優化與實現 -
$210深度神經網絡 FPGA 設計與實現 -
$796複雜環境下語音信號處理的深度學習方法 -
PyTorch 深度學習實作：利用 PyTorch 實際演練神經網路模型$600$396 -
AI 加速器架構設計與實現圖書$594$564 -
Deep Learning 4｜用 Python 進行強化學習的開發實作$680$537 -
$551基於深度學習的目標檢測原理與應用 -
Generative AI - Diffusion Model 擴散模型現場實作精解$720$569 -
Xilinx FPGA 權威設計指南：基於 Vivado 2023 設計套件$1,188$1,129 -
基於 FPGA 的機器人計算$594$564 -
你的第一本 Git 與 GitHub 入門書：輕鬆實作本機與遠端儲存庫的版本控制$620$434 -
$421人工智能硬件加速器設計 -
AI 芯片應用開發實踐$414$393 -
$611AI 處理器硬件架構設計 -
$454用 Cursor 玩轉 AI 輔助編程 (不寫代碼也能做軟件開發) -
深度學習詳解｜台大李宏毅老師機器學習課程精粹$750$593 -
本地端 Ollama × LangChain × LangGraph × LangSmith 開發手冊：打造 RAG、Agent、SQL 應用$750$593 -
Ollama 本地 AI 全方位攻略：命令列功能、五大主題測試、RAG、Vibe Coding、MCP，一本搞定所有實戰應用$750$593 -
完整複習 NLP - 圍繞 LLM 打造自然語言處理應用$1,080$853 -
LLM 語意理解與生成技術完全開發 (Hands-On Large Language Models)$980$774 -
AI 最強調整術：使用最佳化演算法，打造頂級機器學習模型 (iThome 鐵人賽系列書)$650$507
商品描述
這是暢銷書系列《Deep Learning》的第5集，本次的主題是「生成模型」。
書中延續此系列的風格，以連貫的故事介紹從「常態分布」到「擴散模型」的技術。你可以累積學到的知識，一步一步練習操作，不斷累積學習成果，最終完成類似「Stable Diffusion」這樣的AI影像生成模型。
技術的有趣之處在於細節，從零開始建構，挑戰各種公式。
作者簡介
斎藤康毅
1984年生於日本長崎縣對馬市，畢業於東京工業大學工學院，東京大學研究所學際情報學府學士課程修畢。現在於企業內從事與電腦視覺、機器學習等有關人工智慧的研究開發工作。2017年獲得IT工程師書籍大獎的（技術書部門大獎），2019年獲得IT工程師書籍大獎（評審特別獎）。著有暢銷書籍《Deep Learning》系列（均由O'Reilly出版）。
目錄大綱
STEP 1 常態分布
1.1 機率的基本知識
1.2 常態分布
1.3 中央極限定理
1.4 樣本和的機率分布
1.5 我們身邊的常態分布
STEP 2 最大概似估計
2.1 生成模型概要
2.2 建構使用了實際資料的生成模型
2.3 最大概似估計的理論
2.4 生成模型的用途
STEP 3 多維常態分布
3.1 NumPy 與多維陣列
3.2 多維常態分布
3.3 將二維常態分布視覺化
3.4 多維常態分布的最大概似估計
STEP 4 高斯混合模型
4.1 生活中的多峰分布
4.2 高斯混合模型的資料生成
4.3 高斯混合模型的公式
4.4 參數估計的難處
STEP 5 EM 演算法
5.1 KL 散度
5.2 導出 EM 演算法 ①
5.3 導出 EM 演算法 ②
5.4 GMM 與 EM 演算法
5.5 EM 演算法實作
STEP 6 類神經網路
6.1 PyTorch 與梯度法
6.2 線性迴歸
6.3 參數與優化器
6.4 類神經網路實作
6.5 torchvision 與資料集
STEP 7 變分自編碼器（VAE）
7.1 VAE 與解碼器
7.2 VAE 與編碼器
7.3 ELBO 的最佳化
7.4 VAE 實作
STEP 8 擴散模型的理論
8.1 由 VAE 進化成擴散模型
8.2 擴散過程與反向擴散過程
8.3 計算 ELBO ①
8.4 計算 ELBO ②
8.5 計算 ELBO ③
8.6 擴散模型的學習
STEP 9 擴散模型實作
9.1 U-Net
9.2 正弦波位置編碼
9.3 擴散過程
9.4 生成資料
9.5 擴散模型的學習（實作篇）
STEP 10 擴散模型的應用
10.1 條件擴散模型
10.2 score 函數
10.3 分類器引導
10.4 無分類器引導
10.5 Stable Diffusion
附錄A 導出多維常態分布的最大概似估計
附錄B 詹森不等式
附錄C 階層型VAE 的理論與實作
附錄D 公式符號說明
