图文详情

基于TensorFlow的深度学习：神经网络、计算机视觉和NLP的理论与实践 9787111741725

①全新正版，现货速发，7天无理由退换货②天津、成都、无锡、广东等多仓就近发货，订单最迟48小时内发出③无法指定快递④可开电子发票，不清楚的请咨询客服。

作者: [美]马格努斯·埃克曼(Magnus Ekman)
出版社: 机械工业
ISBN: 9787111741725

出版时间: 2024-01
装帧: 其他
开本: 其他

作者: [美]马格努斯·埃克曼(Magnus Ekman)
出版社: 机械工业

ISBN: 9787111741725
出版时间: 2024-01

装帧: 其他
开本: 其他

售价 76.96 5.2折

定价￥149.00

品相全新

优惠

发货

承诺48小时内发货

运费

本店暂时无法向该地区发货

延迟发货说明

时间：

说明：

上书时间2024-10-14

数量: 库存2件

立即购买加入购物车收藏

卖家超过10天未登录

三年老店

倒爷图书专营店

店铺等级

资质认证

90天平均

成功完成

91.04% (9896笔)

好评率

99.8%

发货时间

16.28小时

店主

小倒

联系

在线交谈离线留言

地址

北京市房山区

进店逛逛收藏店铺

商品详情
店铺评价

立即购买加入购物车收藏

手机购买

微信扫码访问

商品分类：

教材教辅考试 > 教材 > 大学教材 > 计算机与互联网

货号：

31967655

商品描述：

作者简介
周翊民中国科学院深圳先进技术研究院研究员，博士生导师。2008年在英国牛津大学工程科学系获得博士学位，曾在英国拉夫堡大学电子电气工程系从事博士后研究工作。主要从事非线性控制、人工智能、模糊神经网络、机器人、无人机控制系统、
智能电网等相关技术的研究。以项目负责人身份申请并获批国家自然基金、科技部重点研发计划、广东省科技专项、深圳市
基础重点研究项目等多个项目。发表SCI/EI文章100余篇，申请专利50余项，出版英文专著2部，译著1部。

目录
CONTENTS
目　　录
推荐序一
推荐序二
前言
第1章　Rosenblatt 感知器　1
1.1　双输入感知器示例　3
1.2　感知器学习算法　4
1.3　感知器的局限性　9
1.4　组合多个感知器　11
1.5　感知器的几何解释　13
1.6　理解偏差项　14
第２章　基于梯度的学习　16
2.1　感知器学习算法的直观解释　16
2.2　用梯度下降法解决学习问题　18
2.3　网络中的常量与变量　20
2.4　感知器学习算法的解析　20
2.5　感知器学习算法的几何描述　22
2.6　重新审视不同类型的感知器　22
2.7　使用感知器进行模式识别　24
第3章　Sigmoid神经元与反向
传播　26
3.1　改进的神经元实现多层网络的
梯度下降　26
3.2　激活函数的选择　30
3.3　复合函数和链式法则　30
3.4　利用反向传播计算梯度　31
3.4.1　前向传播阶段　37
3.4.2　后向传播阶段　37
3.4.3　权重调整　38
3.5　每层具有多个神经元的反向
传播　39
3.6　编程示例：学习XOR函数　40
3.7　网络结构　43
第４章　用于多分类的全连接网络　45
4.1　训练网络时所用数据集简介　45
4.1.1　探索数据集　46
4.1.2　数据集中的人为偏见　48
4.1.3　训练集、测试集和泛化　49
4.1.4　超参数调优和测试集信息
泄漏　50
4.2　训练与推理　51
4.3　扩展网络和学习算法以进行
多分类　51
4.4　用于数字分类的网络　52
4.5　多分类的损失函数　52
4.6　编程示例：手写数字分类　53
4.7　小批量梯度下降　60
第5章　走向DL：框架和网络
调整　61
5.1　编程示例：转移到DL框架　61
5.2　饱和神经元和梯度消失问题　65
5.3　避免神经元饱和的初始化和归一化
技术　66
5.3.1　权重初始化　67
5.3.2　输入标准化　68
5.3.3　批归一化　68
5.4　用于缓解饱和输出神经元影响的
交叉熵损失函数　69
5.5　使用不同激活函数以避免隐藏层
中梯度消失问题　73
5.6　提高学习的梯度下降法中的
变量　76
5.7　实验：调整网络和学习参数　78
5.8　超参数调优和交叉验证　80
5.8.1　使用验证集来避免过
拟合　81
5.8.2　交叉验证以改善训练数据
的使用　81
第6章　全连接网络在回归中的
应用　83
6.1　输出单元　83
6.1.1　二元分类的逻辑单元　84
6.1.2　用于多分类的Softmax
单元　84
6.1.3　线性回归单元　86
6.2　波士顿住房数据集　87
6.3　编程示例：用DNN预测房价　88
6.4　用正则化改进泛化　91
6.5　实验：更深层次和正则化的房价
预测模型　93
第7章　卷积神经网络在图像分类中
的应用　94
7.1　CIFAR-10数据集　95
7.2　卷积层的特征和构建模块　97
7.3　将特征映射组合成一个卷积层　99
7.4　将卷积层和全连接层结合成一个
网络　100
7.5　稀疏连接和权重共享的影响　102
7.6　编程示例：用卷积网络进行图像
分类　105
第8章　深度卷积神经网络和预训练
模型　113
8.1　VGGNet　113
8.2　GoogLeNet　116
8.3　ResNet　119
8.4　编程示例：使用预先训练的ResNet实现　124
8.5　迁移学习　126
8.6　CNN和池化的反向传播　128
8.7　正则化技术的数据增强　128
8.8　CNN的局限性　129
8.9　用深度可分离卷积进行参数
约简　130
8.10　用高效网络实现正确的网络
设计平衡　131
第9章　用循环神经网络预测时间
序列　132
9.1　前馈网络的局限性　134
9.2　循环神经网络　135
9.3　循环层的数学表示　135
9.4　将图层组合成一个RNN　136
9.5　RNN的另一视图并按时间展开　137
9.6　基于时间的反向传播　138
9.7　编程示例：预测图书销量　140
9.7.1　标准化数据并创建训练
示例　144
9.7.2　创建一个简单的RNN　145
9.7.3　与无循环网络的比较　148
9.7.4　将示例扩展为多输入
变量　149
9.8　RNN的数据集注意事项　149
第10章　长短期记忆　151
10.1　保持梯度健康　151
10.2　LSTM介绍　154
10.3　LSTM激活函数　157
10.4　创建LSTM单元构成的网络　157
10.5　LSTM的其他理解　158
10.6　相关话题：高速神经网络和跳
连接　159
第11章　使用LSTM和集束搜索
自动补全文本　161
11.1　文本编码　161
11.2　长期预测和自回归模型　162
11.3　集束搜索　163
11.4　编程示例：使用LSTM实现
文本自动补全　164
11.5　双向RNN　169
11.6　输入和输出序列的不同组合　170
第12章　神经语言模型和词嵌入　172
12.1　语言模型介绍及其用例简介　172
12.2　不同语言模型的例子　174
12.2.1　n-gram模型　174
12.2.2　skip-gram模型　176
12.2.3　神经语言模型　176
12.3　词嵌入的好处及对其工作方式
的探究　178
12.4　基于神经语言模型创建词
嵌入　179
12.5　编程示例：神经语言模型和产生的嵌入　182
12.6　King–Man + Woman! = Queen　188
12.7　King–Man+Woman != Queen　190
12.8　语言模型、词嵌入和人类
偏见　190
12.9　相关话题：文本情感分析　191
12.9.1　词袋法和N元词袋法　192
12.9.2　相似性度量　194
12.9.3　组合BoW和深度学习　195
第13章　Word2vec和GloVe的
词嵌入　197
13.1　使用Word2vec在没有语言模型的情况下创建词嵌入　197
13.1.1　与语言模型相比降低计算复杂性　198
13.1.2　连续词袋模型　199
13.1.3　连续skip-gram模型　199
13.1.4　进一步降低计算复杂度的优化连续skip-gram模型　200
13.2　关于Word2vec的其他思考　201
13.3　矩阵形式的Word2vec　202
13.4　Word2vec总结　203
13.5　编程示例：探索GloVe嵌入的
属性　204
第14章　序列到序列网络和自然
语言翻译　209
14.1　用于序列到序列学习的编-解码器模型　210
14.2　Keras函数式API简介　212
14.3　编程示例：神经机器翻译　214
14.4　实验结果　226
14.5　中间表示的性质　227
第15章　注意力机制和Transformer
架构　229
15.1　注意力机制的基本原理　229
15.2　序列到序列网络中的注意力
机制　230
15.2.1　计算对齐向量　234
15.2.2　对齐向量上的数学符号与
变量　235
15.2.3　关注更深层的网络　236
15.2.4　其他注意事项　237
15.3　循环网络的替代方法　238
15.4　自注意力　239
15.5　多头注意力　240
15.6　Transformer架构　241
第16章　用于图像字幕的一对多
网络　245
16.1　用注意力扩展图像字幕网络　247
16.2　编程示例：基于注意力的图像
字幕　248
第17章　其他主题　264
17.1　自编码器　264
17.1.1　自编码器的使用案例　265
17.1.2　自编码器的其他方面　266
17.1.3　编程示例：用于异常值
检测的自编码器　267
17.2　多模态学习　272
17.2.1　多模态学习的分类　272
17.2.2　编程示例：使用多模态
输入数据进行分类　275
17.3　多任务学习　279
17.3.1　为什么要执行多任务
学习　279
17.3.2　如何实现多任务学习　279
17.3.3　其他方向和变体的基本
实现　280
17.3.4　编程示例：多分类和用单一网络回答问题　281
17.4　网络调优过程　284
17.5　神经网络架构搜索　287
17.5.1　神经网络架构搜索的关键
组成部分　287
17.5.2　编程示例：搜索一个用于CIFAR-10分类的架构　290
17.5.3　神经架构搜索的内在
含义　300
第18章　总结和未来展望　301
18.1　你现在应该知道的事情　301
18.2　伦理AI和数据伦理　302
18.2.1　需要注意的问题　303
18.2.2　问题清单　304
18.3　你还不知道的事情　305
18.3.1　强化学习　305
18.3.2　变分自编码器和生成
对抗网络　305
18.3.3　神经风格迁移　306
18.3.4　推荐系统　307
18.3.5　语音模型　307
18.4　未来展望　307
附录A　线性回归和线性分类　309
A.1　机器学习算法：线性回归　309
A.1.1　一元线性回归　309
A.1.2　多元线性回归　310
A.1.3　用线性函数建模曲率　311
A.2　计算线性回归系数　312
A.3　逻辑回归分类　313
A.4　用线性分类器对XOR进行
分类　314
A.5　支持向量机分类　317
A.6　二元分类器的评价指标　318
附录B　目标检测和分割　321
B.1　目标检测　321
B.1.1　R-CNN　322
B.1.2　Fast R-CNN　324
B.1.3　Faster R-CNN　325
B.2　语义分割　327
B.2.1　上采样技术　328
B.2.2　反卷积网络　332
B.2.3　U-Net　333
B.3　Mask R-CNN 实例分割　334
附录C　Word2vec和GloVe之外的词嵌入　337
C.1　Wordpieces　337
C.2　FastText　339
C.3　基于字符的方法　339
C.4　ELMo　343
C.5　相关工作　345
附录D　GPT、BERT和
RoBERTa　346
D.1　GPT　346
D.2　BERT　349
D.2.1　掩码语言模型任务　349
D.2.2　下一句预测任务　350
D.2.3　BERT的输入输出表示　351
D.2.4　BERT在NLP任务中的
应用　352
D.3　RoBERTa　352
D.4　GPT和BERT的前期工作　354
D.5　基于Transformer的其他模型　354
附录E　Newton-Raphson法与梯度
下降法　356
E.1　Newton-Raphson求根法　356
E.2　Newton-Raphson法与梯度下降法
的关系　358
附录F　数字分类网络的矩阵实现　 359
F.1　单一矩阵　359
F.2　小批量实现　361
附录G　卷积层与数学卷积的关系　365
附录H　门控循环单元　369
H.1　GRU的替代实现　371
H.2　基于GRU的网络　371
附录I　搭建开发环境　374
I.1　Python　374
I.2　编程环境　375
I.2.1　Jupyter Notebook　375
I.2.2　使用集成开发环境　375
I.3　编程示例　376
I.4　数据集　376
I.4.1　MNIST数据集　377
I.4.2　来自美国人口普查局的
书店销售数据　377
I.4.3　古腾堡工程的FRANKENSTEIN文本　378
I.4.4　GloVe词嵌入　378
I.4.5　ANKI双语句子对　378
I.4.6　COCO数据集　378
I.5　安装深度学习框架　378
I.5.1　系统安装　378
I.5.2　虚拟环境安装　379
I.5.3　GPU加速　379
I.5.4　Docker容器　379
I.5.5　使用云服务　380
I.6　TensorFlow具体注意事项　380
I.7　PyTorch与TensorFlow的关键
区别　380
I.7.1　需要编写我们自己的拟合/
训练函数　381
I.7.2　NumPy和PyTorch之间的
数据显式移动　381
I.7.3　CPU和GPU之间的数据
显式传输　382
I.7.4　明确区分训练和推理　382
I.7.5　顺序式API与函数式
API　382
I.7.6　缺乏编译功能　383
I.7.7　循环层和状态处理　383
I.7.8　交叉熵损失　383
I.7.9　view()/reshape()　383
附录J　备忘清单　384
参考文献　391

内容摘要
本书系统地讲解了深度学习技术，阐明核心概念和实践编程技术，是开发者、数据科学家、分析师，以及之前没有机器学习或统计经验的人员人员的理想选择。
本书介绍了深度神经网络的人工神经元和全连接、卷积和循环层等基本构建模块，展示了如何使用它们来构建先进的架构。书中还讲解了如何使用这些概念构建计算机视觉和自然语言处理（NLP）网络，包括MaskR-CNN、GPT和BERT。此外，书中还描述了自然语言翻译器和能根据图像内容生成自然语言系统的原理。
- 图2
配送说明

...
相似商品
为你推荐

孔网分类

图书

图书

基于TensorFlow的深度学习：神经网络、计算机视觉和NLP的理论与实践 9787111741725

孔网啦啦啦啦啦纺织女工火锅店第三课