人工智能：深度學習核心算法

馮超

人工智能：深度學習核心算法
  • 出版商: 電子工業
  • 出版日期: 2020-09-01
  • 定價: $588
  • 售價: 8.5 折 $500
  • 語言: 簡體中文
  • 頁數: 332
  • 裝訂: 精裝
  • ISBN: 7121381427
  • ISBN-13: 9787121381423
  • 相關分類: DeepLearning

    • 立即出貨 (庫存 < 3)

買這商品的人也買了...

中文年末書展｜繁簡參展書2書75折 詳見活動內容 »

相關主題

商品描述

本書是一本介紹深度學習核心算法的書籍。
書中以輕松、直白的語言，生動、詳細地介紹了與深度學習模型相關的基礎知識，
深入剖析了深度學習核心算法的原理與本質。
同時，書中配有大量案例與源碼，幫助讀者切實體會深度學習的核心思想和精妙之處。
此外，書中還介紹了深度學習在電腦視覺、自然語言處理和推薦系統領域的應用，
從原理層面揭示其思想，幫助讀者在這些領域中夯實技術基礎。

作者簡介

馮超畢

業於中國科學院大學，現任阿裡巴巴高級算法專家，曾在滴滴出行、猿輔導等公司擔任核心算法業務負責人。
自2016 年起，在知乎開設技術專欄，並著有技術書《深度學習輕鬆學：核心算法與視覺實踐》
《強化學習精要：核心算法與TensorFlow 實現》。

目錄大綱

第1章從生活走進深度學習1
1．1鈔票面值問題1
1．2機器學習的特徵表示5
1．3機器學習10
1．4深度學習的逆襲14
1．5總結與提問19

第2章構建小型神經網絡20
2．1線性代數基礎21
2．2全連接層與非線性函數27
2．3神經網絡可視化30
2．4反向傳播法35
2．5反向傳播法的計算方法37
2．6反向傳播法在計算上的抽象40
2．7反向傳播法在批量數據上的推廣42
2．8模型訓練與結果可視化46
2．9總結與提問48

第3章多層網絡與分類50
3．1 MNIST數據集50
3．2概率論基礎51
3．3 Softmax函數57
3．4交叉熵損失60
3．5使用PyTorch實現模型構建與訓練67
3．6模型結果分析72
3．7總結與提問74

第4章捲積神經網絡76
4．1捲積操作76
4．2捲積層匯總了什麼83
4．3捲積層的反向傳播87
4．4 ReLU93
4．5 Pooling層97
4．6捲積神經網絡實驗101
4．7捲積神經網絡的感受野103
4．8總結與提問112

第5章網絡初始化113
5．1錯誤的初始化113
5．2關於數值的初始化實驗116
5．3 Xavier初始化122
5．4 MSRA初始化128
5．5 ZCA初始化132
5．6總結與提問138

第6章網絡優化140
6．1梯度下降法140
6．2動量法145
6．3隨機梯度下降的變種算法151
6．4總結與提問164

第7章進一步強化網絡165
7．1 Dropout165
7．2 Batch Normalization168
7．3總結與提問176

第8章高級網絡結構178
8．1 CIFAR10數據集178
8．2 VGG模型179
8．3 ResNet183
8． 4 Inception 195
8．5通道分解的網絡196
8．6總結與提問202

第9章網絡可視化203
9．1模型優化路徑的簡單可視化203
9．2捲積神經網絡的可視化206
9．3圖像風格轉換211
9．4總結與提問217

第10章物體檢測218
10．1物體檢測的評價指標218
10．2 YOLOv3：一階段檢測算法223
10．3 Faster RCNN：兩階段檢測算法230
10．4總結與提問235

第11章詞嵌入237
11．1 One-Hot編碼的缺點237
11．2分佈式表徵238
11．3負採樣242
11．4 SGNS實現243
11．5 tSNE247
11．6總結與提問255

第12章循環神經網絡256
12．1語言模型與循環神經網絡256
12．2 RNN實現259
12．3 LSTM網絡262
12．4語言模型實踐266
12．5 LSTM網絡的可視化與分析272
12．6 RNN的應用類型274
12．7 CTC276
12．8總結與提問282

第13章Transformer284
13．1 Transformer模型的基本結構286
13．2模型訓練與預測293
13．3 BERT模型296
13．4總結與提問303

第14章深度分解模型304
14．1分解機306
14．2評價指標AUC310
14．3 DeepFM314
14．4 DeepFM的改進方法317
14．5總結與提問322

類似商品