深度學習 : 算法入門與 Keras 編程實踐
李易 編著
- 出版商: 機械工業
- 出版日期: 2021-03-01
- 定價: $539
- 售價: 8.5 折 $458
- 語言: 簡體中文
- 頁數: 264
- 裝訂: 平裝
- ISBN: 7111674154
- ISBN-13: 9787111674153
-
相關分類:
DeepLearning
立即出貨 (庫存 < 4)
買這商品的人也買了...
-
$580$458 -
$680$537 -
$505TensorFlow 深度學習:數學原理與 Python 實戰進階
-
$224Keras深度神經網絡
-
$422深度學習 — 從神經網絡到深度強化學習的演進
-
$403圖神經網絡:基礎與前沿
-
$380$250 -
$780$616 -
$815AI 芯片:前沿技術與創新未來
-
$454$427 -
$454Python 廣告數據挖掘與分析實戰
-
$740JavaScript 深度學習 (Deep Learning with JavaScript: Neural Networks in Tensorflow.Js)
-
$427創新工場講AI課:從知識到實踐
-
$500$395 -
$1,000$790 -
$690$538 -
$673自然語言處理:基於預訓練模型的方法
-
$620$490 -
$780$616 -
$600$468 -
$580$435 -
$880$695 -
$403PyTorch 開發入門:深度學習模型的構建與程序實現
-
$454深度學習與人工智慧實戰
-
$948$901
相關主題
商品描述
深度學習作為人工智能領域的“排頭兵”,將在未來的新一輪產業升級中起到至關重要的作用。本書以“理論+實踐”的形式幫助讀者快速建立深度學習知識體系,
使讀者不僅能在算法層面上理解各種神經網絡模型,而且能借助功能強大且極易上手的Keras框架,熟練地搭建和訓練模型,應用於解決實際問題。
全書共12章,內容涵蓋入門深度學習的絕大部分基礎知識。第1章講解如何搭建深度學習的編程環境,並簡單回顧了學習深度學習必備的數學知識。
第2章從回歸算法出發帶領讀者踏上深度學習之路。第3~9章全面講解時下幾種主流的神經網絡結構,包括多層感知機(MLP)、捲積神經網絡(CNN)、循環神經網絡
(RNN)、自動編碼器(AE)、變分自動編碼器(VAE)、對抗生成網絡(GNN)等。第10~12章著重介紹時下幾類主流的深度學習應用,包括圖像識別、
目標檢測和自然語言處理等。無論是算法原理還是編程實踐,本書都從易到難、循序漸進地講解,並配合簡單輕松的實例幫助讀者加深印象。
本書不僅適用於需要在工作中應用深度學習技術的專業人員,而且適用於具備一定電腦編程基礎的人工智能和深度學習愛好者。對於大專院校相關專業的師生,本書也是一本不錯的參考讀物。
作者簡介
李易
畢業於世界著名學府美國賓夕法尼亞大學,擅長Python、C++ 等主流編程語言與AI 視覺處理。
在校期間曾在世界知名的Haim Bau 教授實驗室參與基於AI 圖像算法的寨卡(Zika)病毒識別、HSV(單純皰疹病毒)檢測等多個研究項目。
目前就職於汽車行業供應商瑞典Syntronic 公司,帶領團隊研發基於AI 技術與商用5G 車聯網的車內生命檢測系統。
目錄大綱
前言
如何獲取學習資源
第1章 深度學習入門
1.1 Keras的介紹與安裝 13
1.2 學習深度學習需要具備的數學基礎知識 16
第2章 回歸算法
2.1 線性回歸 31
2.2 多元線性回歸 39
2.3 邏輯回歸 42
第3章 神經網絡入門
3.1 簡單神經網絡的基本結構 50
3.2 正向傳播 51
3.3 激活函數 53
3.4 MLP的反向傳播與求導 55
3.5 MLP的損失函數 59
3.6 權重初始化 62
3.7 案例:黑白手寫數字識別 64
第4章 神經網絡進階—如何提高性能
4.1 欠擬合和過擬合問題 69
4.2 模型診斷與誤差分析 71
4.3 避免過擬合的“良藥”—正則化 73
4.4 優化算法 76
4.4.1 基於梯度下降法的優化算法 76
4.4.2 進階優化算法 78
4.5 其他優化性能的方法 81
4.6 模型訓練的檢查清單 83
第5章 捲積神經網絡
5.1 CNN的構想來源 86
5.2 捲積層 88
5.3 濾波器 89
5.3.1 濾波器的運算規則 89
5.3.2 濾波器的作用 91
5.3.3 填充和步長 95
5.4 彩色圖像輸入 98
5.5 反向傳播 101
5.6 池化層 103
5.7 CNN案例 104
5.7.1 黑白手寫數字識別 104
5.7.2 彩色圖像分類 107
第6章 循環神經網絡
6.1 RNN的基本結構 115
6.2 RNN的正向傳播 118
6.3 RNN的反向傳播 120
6.4 簡單的RNN案例 122
6.5 訓練RNN時的問題與解決方案 129
6.5.1 梯度爆炸和梯度消失 130
6.5.2 梯度問題的解決方案 132
6.6 解決長期依賴問題的“良藥”—GRU和LSTM 133
6.6.1 GRU 134
6.6.2 LSTM 138
6.7 RNN案例:影評分析 142
6.7.1 準備知識—詞嵌入 142
6.7.2 代碼解析 144
第7章 自動編碼器
7.1 AE的結構 149
7.2 重構損失 151
7.3 簡單的AE案例 153
7.4 Sparse AE 155
7.5 去噪自動編碼器 157
7.6 上色器 160
第8章 變分自動編碼器
8.1 VAE的結構 171
8.2 對VAE的深層理解 174
8.3 損失函數 175
8.4 重參數技巧 180
8.5 VAE案例 181
第9章 對抗生成網絡
9.1 GAN的基本結構 191
9.2 GAN的訓練 192
9.3 GAN的數學原理 195
9.4 GAN案例:DCGAN 198
第10章 AI的眼睛Ⅰ—基於CNN的圖像識別
10.1 VGGNet 209
10.2 Inception 214
10.3 ResNet 220
10.4 遷移學習 226
第11章 AI的眼睛Ⅱ—基於CNN的目標檢測
11.1 R-CNN 232
11.2 Fast R-CNN 241
11.3 Faster R-CNN 243
11.4 YOLO算法 246
第12章 循環神經網絡的進階算法
12.1 BRNN 250
12.2 Encoder-Decoder 255
12.3 註意力機制 257