发表于2024-11-22
书[0名0]: | 深度卷积网络:原理与实践|7845080 |
图书定价: | 129元 |
图书作者: | 彭博 |
出版社: | [1机1] 械工业出版社 |
出版日期: | 2018/5/1 0:00:00 |
ISBN号: | 9787111596653 |
开本: | 16开 |
页数: | 0 |
版次: | 1-1 |
作者简介 |
彭博 人工智能、量化交易、区块链[0领0]域的资深技术专家,有20年以上的研发[0经0]验。在人工智能与信息科技方面,对深度[0学0]习、 [1机1] 器[0学0]习、计算 [1机1] 图形[0学0]、智能硬件等有较为深入的研究;在量化交易方面,曾在全球[0大0]的外汇对冲基金负责程序化交易,对市场的微观和宏观行为有较为深入的理解;在区块链方面,对智能合约、DApp开发和自动交易有较为深入的实践。 |
内容简介 |
深度卷积网络(DCNN)是目前十分流行的深度神[0经0]网络架构,它的构造清晰直观,效果引人入胜,在图像、视频、语音、语言[0领0]域都有广泛应用。本书以AI[0领0]域[亲斤]的技术研究和和实践为基础,从技术理论、工作原理、实践方[0法0]、架构技巧、训练方[0法0]、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。以实战为导向,深入分析AlphaGo和GAN的实现过程、技术原理、训练方[0法0]和应用细节,为读者依次揭开神[0经0]网络、卷积网络和深度卷积网络的神秘面纱,让读者了解AI的“思考过程”,以及与人类思维的相同和不同之处。本书在逻辑上分为3个部分:[0第0]一部分综述篇([0第0]1、6、9章)这3章不需要读者具备编程和数[0学0]基础,对深度[0学0]习和神[0经0]网络的基础[0知0]识、AlphaGo的架构设计和工作原理,以及深度[0学0]习和人工智能未来的技术发展趋势进行了宏观介绍。[0第0]二部分深度卷积网络篇([0第0]2、3、4、5章)结合作者的实际工作[0经0]验和案例代码,对深度卷积网络的技术理论、工作原理、实践方[0法0]、架构技巧和训练方[0法0]做了系统而深入的讲解。[0第0]三部分实战篇([0第0]7、8章)详细分析了AlphaGo和GAN的技术原理、训练方[0法0]和应用细节,包括详细的代码分析和[0大0]量GAN的精彩实例。本书的案例代码在GitHub上提供下载,同时读者可在GitHub与作者交流本书相关的问题。 |
目录 |
前言 引子·神之一手1 [0第0]1章 走进深度[0学0]习的世界5 1.1 从人工智能到深度[0学0]习5 1.2 深度神[0经0]网络的威力:以AlphaGo为例8 1.2.1 策略网络简述9 1.2.2 泛化:看棋谱就能[0学0][0会0]下围棋11 1.2.3 拟合与过拟合11 1.2.4 深度神[0经0]网络的速度[0优0]势12 1.3 深度神[0经0]网络的应用[0大0]观13 1.3.1 图像分类问题的难度所在13 1.3.2 用深度神[0经0]网络理解图像15 1.3.3 AlphaGo中的深度神[0经0]网络17 1.3.4 自动发现规律:从数据A到答案B17 1.3.5 深度神[0经0]网络的更多应用18 1.3.6 从分而治之,到端对端[0学0]习24 1.4 亲自体验深度神[0经0]网络25 1.4.1 TensorFlow游乐场25 1.4.2 MNIST数字识别实例:LeNet-527 1.4.3 策略网络实例28 1.4.4 简笔画:Sketch-RNN29 1.4.5 用GAN生成动漫头像30 1.5 深度神[0经0]网络的基本特点31 1.5.1 两[0大0]助力:算力、数据31 1.5.2 从特征工程,到逐层抽象32 1.5.3 深度神[0经0]网络[0学0][0会0]的是什么35 1.6 人工智能与神[0经0]网络的历[0史0]36 1.6.1 人工智能的两[0大0][0学0]派:逻辑与统计37 1.6.2 人工智能与神[0经0]网络的现代编年[0史0]37 [0第0]2章 深度卷积网络:[0第0]一课42 2.1 神[0经0]元:运作和训练43 2.1.1 运作:从实例说明43 2.1.2 训练:梯度下降的思想44 2.1.3 训练:梯度下降的公式46 2.1.4 训练:找[0大0]小问题的初次尝试48 2.1.5 训练:Excel的实现 50 2.1.6 重要[0知0]识:批[0大0]小、mini-batch、epoch51 2.2 深度[0学0]习框架MXNet:安装和使用51 2.2.1 计算图:动态与静态52 2.2.2 安装MXNet:准备工作53 2.2.3 在Windows下安装MXNet54 2.2.4 在macOS下安装MXNet:CPU版57 2.2.5 在macOS下安装MXNet:GPU版58 2.2.6 在Linux下安装MXNet59 2.2.7 安装Jupyter演算本59 2.2.8 实例:在MXNet训练神[0经0]元并体验调参60 2.3 神[0经0]网络:运作和训练63 2.3.1 运作:前向传播,与非线性激活的必要性63 2.3.2 运作:非线性激活64 2.3.3 训练:梯度的计算公式66 2.3.4 训练:实例69 2.3.5 训练:Excel的实现70 2.3.6 训练:反向传播71 2.3.7 重要[0知0]识:梯度消失,梯度爆炸72 2.3.8 从几何观点理解神[0经0]网络72 2.3.9 训练:MXNet的实现73 [0第0]3章 深度卷积网络:[0第0]二课 77 3.1 重要理论[0知0]识77 3.1.1 数据:训练集、验证集、测试集77 3.1.2 训练:典型过程79 3.1.3 有监督[0学0]习:回归、分类、标签、排序、Seq2Seq79 3.1.4 无监督[0学0]习:聚类、降维、自编码、生成模型、推荐81 3.1.5 训练的障碍:欠拟合、过拟合82 3.1.6 训练的细节:局部[0极0]值点、鞍点、梯度下降算[0法0]83 3.2 神[0经0]网络的正则化85 3.2.1 修改损失函数:L2和L1正则化85 3.2.2 修改网络架构:Dropout正则化86 3.2.3 更多技巧:集合、多任务[0学0]习、参数共享等86 3.2.4 数据增强与预处理88 3.3 神[0经0]网络的调参89 3.3.1 [0学0]习速率89 3.3.2 批[0大0]小90 3.3.3 初始化方[0法0]92 3.3.4 调参实战:重返TensorFlow游乐场93 3.4 实例:MNIST问题95 3.4.1 重要[0知0]识:SoftMax层、交叉熵损失96 3.4.2 训练代码与网络架构98 3.4.3 MNIST:[亲斤]的Fashion-MNIST数据集101 3.5 网络训练的常见bug和检查方[0法0]103 3.6 网络训练性能的提高104 [0第0]4章 深度卷积网络:[0第0]三课106 4.1 卷积网络:从实例说明106 4.1.1 实例:找橘猫,原始的方[0法0]107 4.1.2 实例:找橘猫,更好的方[0法0]108 4.1.3 实例:卷积和池化108 4.1.4 卷积网络的运作111 4.2 运作:AlphaGo眼中的棋盘112 4.2.1 棋盘的编码113 4.2.2 简化的策略网络115 4.2.3 简化的策略网络:特征层和卷积后的结果116 4.3 卷积神[0经0]网络:进一步了解122 4.3.1 卷积核、滤波器与参数量的计算122 4.3.2 运作和训练的计算123 4.3.3 外衬与步长124 4.3.4 缩小图像:池化与全局池化126 4.3.5 放[0大0]图像:转置卷积127 4.4 实例:用卷积网络解决MNIST问题128 4.4.1 网络架构的定义与参数量的计算129 4.4.2 训练MNIST网络130 4.4.3 在MXNet运行训练后的网络131 4.4.4 调参实例133 4.4.5 在Fashion-MNIST数据集的结果133 4.5 MXNet的使用技巧134 4.5.1 快速定义多个层134 4.5.2 网络的保存与读取135 4.5.3 图像数据的打包和载入135 4.5.4 深入MXNet训练细节136 4.5.5 在浏览器和移动设备运行神[0经0]网络139 [0第0]5章 深度卷积网络:[0第0]四课141 5.1 [0经0]典的深度卷积网络架构142 5.1.1 深度[0学0]习革命的揭幕者:AlexNet142 5.1.2 常用架构:VGG系列145 5.1.3 去掉全连接层:DarkNet系列147 5.2 网络的可视化:以AlexNet为例150 5.3 迁移[0学0]习:精调、预训练等155 5.4 架构技巧:基本技巧157 5.4.1 感受野与缩小卷积核157 5.4.2 使用1×1卷积核158 5.4.3 批规范化160 5.4.4 实例:回顾Fashion-MNIST问题161 5.4.5 实例:训练CIFAR-10模型164 5.5 架构技巧:残差网络与通道组合169 5.5.1 残差网络:ResNet的思想169 5.5.2 残差网络:架构细节171 5.5.3 残差网络:来自于集合的理解与随 [1机1] 深度172 5.5.4 残差网络:MXNet实现,以策略网络为例173 5.5.5 通道组合:Inception模组174 5.5.6 通道组合:XCeption架构,深度可分卷积177 5.5.7 实例:再次训练CIFAR-10模型178 5.6 架构技巧:更多进展181 5.6.1 残差网络进展:ResNext、Pyramid Net、DenseNet181 5.6.2 压缩网络:SqueezeNet、MobileNet、ShuffleNet183 5.6.3 卷积核的变形188 5.7 物体检测与图像分割189 5.7.1 YOLO v1:实时的物体检测网络190 5.7.2 YOLO v2:更快、更强192 5.7.3 Faster R-CNN:准确的物体检测网络194 5.7.4 Mask-RCNN:准确的图像分割网络195 5.8 风格转移197 [0第0]6章 AlphaGo架构综述200 6.1 从AlphaGo到AlphaZero201 6.1.1 AlphaGo v13与AlphaGo v18201 6.1.2 AlphaGo Master与AlphaGoZero202 6.1.3 解决一切棋类:AlphaZero204 6.2 AlphaGo的对弈过程205 6.2.1 策略网络205 6.2.2 来自人类的思路208 6.2.3 蒙特卡洛树搜索与估值问题209 6.2.4 从快速走子估值到价值网络211 6.2.5 从搜索树看策略与价值网络的作用213 6.2.6 策略与价值网络的运作实例215 6.3 AlphaGo中的深度卷积网络架构217 6.4 AlphaGo的训练过程219 6.4.1 原版AlphaGo:策略梯度方[0法0]219 6.4.2 [亲斤]版AlphaGo:从蒙特卡洛树搜索[0学0]习220 6.5 AlphaGo方[0法0]的推广221 [0第0]7章 训练策略网络与实战224 7.1 训练前的准备工作224 7.1.1 棋谱数据225 7.1.2 落子模拟226 7.1.3 终局判断226 7.2 训练代码227 7.2.1 主程序:train.py227 7.2.2 训练参数:config.py233 7.2.3 辅助函数:util.py234 7.2.4 棋盘随 [1机1] 变换:symmetry.py235 7.2.5 训练实例236 7.3 对弈实战237 [0第0]8章 生成式对抗网络:GAN240 8.1 GAN的起源故事240 8.2 GAN的基本原理242 8.2.1 生成模型:从图像到编码,从编码到图像242 8.2.2 GAN的基本效果243 8.2.3 GAN的训练方[0法0]246 8.3 实例:DCGAN及训练过程248 8.3.1 网络架构248 8.3.2 训练代码249 8.4 GAN的更多架构和应用255 8.4.1 图像转移:CycleGAN系列255 8.4.2 生成高分辨率图像:nVidia的改进260 8.4.3 自动提取信息:InfoGAN261 8.4.4 更多应用264 8.5 更多的生成模型方[0法0]266 8.5.1 自编码器:从AE到VAE266 8.5.2 逐点生成:PixelRNN和PixelCNN系列267 8.5.3 将VAE和GAN结合:CVAE-GAN268 [0第0 包邮 深度卷积网络:原理与实践|7845080 下载 mobi epub pdf txt 电子书 格式 包邮 深度卷积网络:原理与实践|7845080 mobi 下载 pdf 下载 pub 下载 txt 电子书 下载 2024包邮 深度卷积网络:原理与实践|7845080 下载 mobi pdf epub txt 电子书 格式 2024 包邮 深度卷积网络:原理与实践|7845080 下载 mobi epub pdf 电子书用户评价
评分
评分
评分
评分
评分
评分
评分
评分
评分
类似图书 点击查看全场最低价
包邮 深度卷积网络:原理与实践|7845080 mobi epub pdf txt 电子书 格式下载 2024 分享链接相关图书
|