包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載 2024
發表於2024-12-25
包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載 2024
書[0名0]: | 深度捲積網絡:原理與實踐|7845080 |
圖書定價: | 129元 |
圖書作者: | 彭博 |
齣版社: | [1機1] 械工業齣版社 |
齣版日期: | 2018/5/1 0:00:00 |
ISBN號: | 9787111596653 |
開本: | 16開 |
頁數: | 0 |
版次: | 1-1 |
作者簡介 |
彭博 人工智能、量化交易、區塊鏈[0領0]域的資深技術專傢,有20年以上的研發[0經0]驗。在人工智能與信息科技方麵,對深度[0學0]習、 [1機1] 器[0學0]習、計算 [1機1] 圖形[0學0]、智能硬件等有較為深入的研究;在量化交易方麵,曾在全球[0大0]的外匯對衝基金負責程序化交易,對市場的微觀和宏觀行為有較為深入的理解;在區塊鏈方麵,對智能閤約、DApp開發和自動交易有較為深入的實踐。 |
內容簡介 |
深度捲積網絡(DCNN)是目前十分流行的深度神[0經0]網絡架構,它的構造清晰直觀,效果引人入勝,在圖像、視頻、語音、語言[0領0]域都有廣泛應用。本書以AI[0領0]域[親斤]的技術研究和和實踐為基礎,從技術理論、工作原理、實踐方[0法0]、架構技巧、訓練方[0法0]、技術前瞻等6個維度對深度捲積網絡進行瞭係統、深入、詳細地講解。以實戰為導嚮,深入分析AlphaGo和GAN的實現過程、技術原理、訓練方[0法0]和應用細節,為讀者依次揭開神[0經0]網絡、捲積網絡和深度捲積網絡的神秘麵紗,讓讀者瞭解AI的“思考過程”,以及與人類思維的相同和不同之處。本書在邏輯上分為3個部分:[0第0]一部分綜述篇([0第0]1、6、9章)這3章不需要讀者具備編程和數[0學0]基礎,對深度[0學0]習和神[0經0]網絡的基礎[0知0]識、AlphaGo的架構設計和工作原理,以及深度[0學0]習和人工智能未來的技術發展趨勢進行瞭宏觀介紹。[0第0]二部分深度捲積網絡篇([0第0]2、3、4、5章)結閤作者的實際工作[0經0]驗和案例代碼,對深度捲積網絡的技術理論、工作原理、實踐方[0法0]、架構技巧和訓練方[0法0]做瞭係統而深入的講解。[0第0]三部分實戰篇([0第0]7、8章)詳細分析瞭AlphaGo和GAN的技術原理、訓練方[0法0]和應用細節,包括詳細的代碼分析和[0大0]量GAN的精彩實例。本書的案例代碼在GitHub上提供下載,同時讀者可在GitHub與作者交流本書相關的問題。 |
目錄 |
前言 引子·神之一手1 [0第0]1章 走進深度[0學0]習的世界5 1.1 從人工智能到深度[0學0]習5 1.2 深度神[0經0]網絡的威力:以AlphaGo為例8 1.2.1 策略網絡簡述9 1.2.2 泛化:看棋譜就能[0學0][0會0]下圍棋11 1.2.3 擬閤與過擬閤11 1.2.4 深度神[0經0]網絡的速度[0優0]勢12 1.3 深度神[0經0]網絡的應用[0大0]觀13 1.3.1 圖像分類問題的難度所在13 1.3.2 用深度神[0經0]網絡理解圖像15 1.3.3 AlphaGo中的深度神[0經0]網絡17 1.3.4 自動發現規律:從數據A到答案B17 1.3.5 深度神[0經0]網絡的更多應用18 1.3.6 從分而治之,到端對端[0學0]習24 1.4 親自體驗深度神[0經0]網絡25 1.4.1 TensorFlow遊樂場25 1.4.2 MNIST數字識彆實例:LeNet-527 1.4.3 策略網絡實例28 1.4.4 簡筆畫:Sketch-RNN29 1.4.5 用GAN生成動漫頭像30 1.5 深度神[0經0]網絡的基本特點31 1.5.1 兩[0大0]助力:算力、數據31 1.5.2 從特徵工程,到逐層抽象32 1.5.3 深度神[0經0]網絡[0學0][0會0]的是什麼35 1.6 人工智能與神[0經0]網絡的曆[0史0]36 1.6.1 人工智能的兩[0大0][0學0]派:邏輯與統計37 1.6.2 人工智能與神[0經0]網絡的現代編年[0史0]37 [0第0]2章 深度捲積網絡:[0第0]一課42 2.1 神[0經0]元:運作和訓練43 2.1.1 運作:從實例說明43 2.1.2 訓練:梯度下降的思想44 2.1.3 訓練:梯度下降的公式46 2.1.4 訓練:找[0大0]小問題的初次嘗試48 2.1.5 訓練:Excel的實現 50 2.1.6 重要[0知0]識:批[0大0]小、mini-batch、epoch51 2.2 深度[0學0]習框架MXNet:安裝和使用51 2.2.1 計算圖:動態與靜態52 2.2.2 安裝MXNet:準備工作53 2.2.3 在Windows下安裝MXNet54 2.2.4 在macOS下安裝MXNet:CPU版57 2.2.5 在macOS下安裝MXNet:GPU版58 2.2.6 在Linux下安裝MXNet59 2.2.7 安裝Jupyter演算本59 2.2.8 實例:在MXNet訓練神[0經0]元並體驗調參60 2.3 神[0經0]網絡:運作和訓練63 2.3.1 運作:前嚮傳播,與非綫性激活的必要性63 2.3.2 運作:非綫性激活64 2.3.3 訓練:梯度的計算公式66 2.3.4 訓練:實例69 2.3.5 訓練:Excel的實現70 2.3.6 訓練:反嚮傳播71 2.3.7 重要[0知0]識:梯度消失,梯度爆炸72 2.3.8 從幾何觀點理解神[0經0]網絡72 2.3.9 訓練:MXNet的實現73 [0第0]3章 深度捲積網絡:[0第0]二課 77 3.1 重要理論[0知0]識77 3.1.1 數據:訓練集、驗證集、測試集77 3.1.2 訓練:典型過程79 3.1.3 有監督[0學0]習:迴歸、分類、標簽、排序、Seq2Seq79 3.1.4 無監督[0學0]習:聚類、降維、自編碼、生成模型、推薦81 3.1.5 訓練的障礙:欠擬閤、過擬閤82 3.1.6 訓練的細節:局部[0極0]值點、鞍點、梯度下降算[0法0]83 3.2 神[0經0]網絡的正則化85 3.2.1 修改損失函數:L2和L1正則化85 3.2.2 修改網絡架構:Dropout正則化86 3.2.3 更多技巧:集閤、多任務[0學0]習、參數共享等86 3.2.4 數據增強與預處理88 3.3 神[0經0]網絡的調參89 3.3.1 [0學0]習速率89 3.3.2 批[0大0]小90 3.3.3 初始化方[0法0]92 3.3.4 調參實戰:重返TensorFlow遊樂場93 3.4 實例:MNIST問題95 3.4.1 重要[0知0]識:SoftMax層、交叉熵損失96 3.4.2 訓練代碼與網絡架構98 3.4.3 MNIST:[親斤]的Fashion-MNIST數據集101 3.5 網絡訓練的常見bug和檢查方[0法0]103 3.6 網絡訓練性能的提高104 [0第0]4章 深度捲積網絡:[0第0]三課106 4.1 捲積網絡:從實例說明106 4.1.1 實例:找橘貓,原始的方[0法0]107 4.1.2 實例:找橘貓,更好的方[0法0]108 4.1.3 實例:捲積和池化108 4.1.4 捲積網絡的運作111 4.2 運作:AlphaGo眼中的棋盤112 4.2.1 棋盤的編碼113 4.2.2 簡化的策略網絡115 4.2.3 簡化的策略網絡:特徵層和捲積後的結果116 4.3 捲積神[0經0]網絡:進一步瞭解122 4.3.1 捲積核、濾波器與參數量的計算122 4.3.2 運作和訓練的計算123 4.3.3 外襯與步長124 4.3.4 縮小圖像:池化與全局池化126 4.3.5 放[0大0]圖像:轉置捲積127 4.4 實例:用捲積網絡解決MNIST問題128 4.4.1 網絡架構的定義與參數量的計算129 4.4.2 訓練MNIST網絡130 4.4.3 在MXNet運行訓練後的網絡131 4.4.4 調參實例133 4.4.5 在Fashion-MNIST數據集的結果133 4.5 MXNet的使用技巧134 4.5.1 快速定義多個層134 4.5.2 網絡的保存與讀取135 4.5.3 圖像數據的打包和載入135 4.5.4 深入MXNet訓練細節136 4.5.5 在瀏覽器和移動設備運行神[0經0]網絡139 [0第0]5章 深度捲積網絡:[0第0]四課141 5.1 [0經0]典的深度捲積網絡架構142 5.1.1 深度[0學0]習革命的揭幕者:AlexNet142 5.1.2 常用架構:VGG係列145 5.1.3 去掉全連接層:DarkNet係列147 5.2 網絡的可視化:以AlexNet為例150 5.3 遷移[0學0]習:精調、預訓練等155 5.4 架構技巧:基本技巧157 5.4.1 感受野與縮小捲積核157 5.4.2 使用1×1捲積核158 5.4.3 批規範化160 5.4.4 實例:迴顧Fashion-MNIST問題161 5.4.5 實例:訓練CIFAR-10模型164 5.5 架構技巧:殘差網絡與通道組閤169 5.5.1 殘差網絡:ResNet的思想169 5.5.2 殘差網絡:架構細節171 5.5.3 殘差網絡:來自於集閤的理解與隨 [1機1] 深度172 5.5.4 殘差網絡:MXNet實現,以策略網絡為例173 5.5.5 通道組閤:Inception模組174 5.5.6 通道組閤:XCeption架構,深度可分捲積177 5.5.7 實例:再次訓練CIFAR-10模型178 5.6 架構技巧:更多進展181 5.6.1 殘差網絡進展:ResNext、Pyramid Net、DenseNet181 5.6.2 壓縮網絡:SqueezeNet、MobileNet、ShuffleNet183 5.6.3 捲積核的變形188 5.7 物體檢測與圖像分割189 5.7.1 YOLO v1:實時的物體檢測網絡190 5.7.2 YOLO v2:更快、更強192 5.7.3 Faster R-CNN:準確的物體檢測網絡194 5.7.4 Mask-RCNN:準確的圖像分割網絡195 5.8 風格轉移197 [0第0]6章 AlphaGo架構綜述200 6.1 從AlphaGo到AlphaZero201 6.1.1 AlphaGo v13與AlphaGo v18201 6.1.2 AlphaGo Master與AlphaGoZero202 6.1.3 解決一切棋類:AlphaZero204 6.2 AlphaGo的對弈過程205 6.2.1 策略網絡205 6.2.2 來自人類的思路208 6.2.3 濛特卡洛樹搜索與估值問題209 6.2.4 從快速走子估值到價值網絡211 6.2.5 從搜索樹看策略與價值網絡的作用213 6.2.6 策略與價值網絡的運作實例215 6.3 AlphaGo中的深度捲積網絡架構217 6.4 AlphaGo的訓練過程219 6.4.1 原版AlphaGo:策略梯度方[0法0]219 6.4.2 [親斤]版AlphaGo:從濛特卡洛樹搜索[0學0]習220 6.5 AlphaGo方[0法0]的推廣221 [0第0]7章 訓練策略網絡與實戰224 7.1 訓練前的準備工作224 7.1.1 棋譜數據225 7.1.2 落子模擬226 7.1.3 終局判斷226 7.2 訓練代碼227 7.2.1 主程序:train.py227 7.2.2 訓練參數:config.py233 7.2.3 輔助函數:util.py234 7.2.4 棋盤隨 [1機1] 變換:symmetry.py235 7.2.5 訓練實例236 7.3 對弈實戰237 [0第0]8章 生成式對抗網絡: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:從圖像到編碼,從編碼到圖像242 8.2.2 GAN的基本效果243 8.2.3 GAN的訓練方[0法0]246 8.3 實例:DCGAN及訓練過程248 8.3.1 網絡架構248 8.3.2 訓練代碼249 8.4 GAN的更多架構和應用255 8.4.1 圖像轉移:CycleGAN係列255 8.4.2 生成高分辨率圖像:nVidia的改進260 8.4.3 自動提取信息:InfoGAN261 8.4.4 更多應用264 8.5 更多的生成模型方[0法0]266 8.5.1 自編碼器:從AE到VAE266 8.5.2 逐點生成:PixelRNN和PixelCNN係列267 8.5.3 將VAE和GAN結閤:CVAE-GAN268 [0第0 包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載 2024 包郵 深度捲積網絡:原理與實踐|7845080 下載 epub mobi pdf txt 電子書包郵 深度捲積網絡:原理與實踐|7845080 pdf 下載 mobi 下載 pub 下載 txt 電子書 下載 2024包郵 深度捲積網絡:原理與實踐|7845080 mobi pdf epub txt 電子書 下載 2024 包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載讀者評價
評分
評分 評分 評分 評分 評分 評分 評分 評分
包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載 2024
类似图書 點擊查看全場最低價
包郵 深度捲積網絡:原理與實踐|7845080 epub pdf mobi txt 電子書 下載 2024 分享鏈接相关書籍
|