PaddlePaddle深度學習實踐

盧睿、李林瑛

PaddlePaddle深度學習實踐 預覽內頁
  • 出版商: 清華大學
  • 出版日期: 2024-08-01
  • 定價: $359
  • 售價: 8.5 折 $305
  • 語言: 簡體中文
  • ISBN: 7302664498
  • ISBN-13: 9787302664499
  • 相關分類: DeepLearning

    • 下單後立即進貨 (約4週~6週)

  • PaddlePaddle深度學習實踐-preview-1
  • PaddlePaddle深度學習實踐-preview-2
  • PaddlePaddle深度學習實踐-preview-3
PaddlePaddle深度學習實踐-preview-1

相關主題

商品描述

"全書共8章，可分為三部分。 第一部分為深度學習基礎篇，包括第1、2章，介紹Python基礎、數學基礎、深度學習的概念和任務；第二部分為深度學習基本模型篇，包括第3~5章，介紹捲積神經網絡、循環神經網絡和基於自註意力機制的Transformer模型；第三部分為自然語言應用篇，包括第6~8章，介紹詞向量、預訓練語言模型、詞法分析等自然語言處理領域的應用和實踐。書中各章相互獨立，讀者可根據自己的興趣和時間使用。書中每章都給出了相應的實踐內容，建議讀者在閱讀時，輔以代碼實踐，快速上手深度學習，加深對模型的理解。 本書內容基礎、案例豐富，適合作為高等院校人工智能及相關專業的教材，也可供研究人員和技術人員參考。 "

目錄大綱

 

目錄

 

 

隨書資源

 

 

 

 

 

第一部分深度學習基礎

 

第1章Python與數學基礎

 

1.1Python簡介

 

1.2深度學習常用Python庫

 

1.2.1NumPy庫

 

1.2.2Matplotlib庫

 

1.3PaddlePaddle基礎

 

1.3.1張量的概念

 

1.3.2調整張量形狀

 

1.3.3索引和切片

 

1.3.4自動微分

 

1.3.5PaddlePaddle中的模型與層

 

1.4數學基礎

 

1.4.1線性代數

 

1.4.2微分基礎

 

1.5案例： 《青春有你2》爬取與數據分析

 

1.5.1思路分析

 

1.5.2獲取網頁頁面

 

1.5.3解析頁面

 

1.5.4爬取選手百度百科圖片

 

1.5.5數據展示與分析

 

1.6本章小結

 

第2章深度學習基礎

 

2.1深度學習歷史

 

2.2深度學習

 

2.2.1人工智能、機器學習、深度學習的關系

 

2.2.2機器學習

 

2.2.3深度學習

 

2.3模型構建

 

2.3.1線性神經元

 

2.3.2線性單層感知機

 

2.3.3非線性多層感知機

 

2.3.4模型實現

 

2.4損失函數

 

2.4.1均方差損失

 

2.4.2交叉熵

 

2.4.3損失函數的實現

 

2.4.4正則化

 

2.5參數學習

 

2.5.1梯度下降法

 

2.5.2梯度下降法實現

 

2.6飛槳框架高層API深入解析

 

2.6.1簡介

 

2.6.2方案設計

 

2.6.3數據集定義、加載和數據預處理

 

2.6.4模型組網

 

2.6.5模型訓練

 

2.6.6模型評估和模型預測

 

2.6.7模型部署

 

2.7案例： 基於全連接神經網絡的手寫數字識別

 

2.7.1方案設計

 

2.7.2數據處理

 

2.7.3模型構建

 

2.7.4模型配置和模型訓練

 

2.7.5模型驗證

 

2.7.6模型推理

 

2.8本章小結

 

 

 

 

 

 

 

第二部分深度學習基本模型

 

第3章捲積神經網絡

 

3.1圖像分類問題描述

 

3.2捲積神經網絡

 

3.2.1捲積層

 

3.2.2池化層

 

3.2.3捲積優勢

 

3.2.4模型實現

 

3.3經典的捲積神經網絡

 

3.3.1LeNet

 

3.3.2AlexNet

 

3.3.3VGG

 

3.3.4GoogLeNet 

 

3.3.5ResNet

 

3.4案例： 圖像分類網絡VGG在中草藥識別任務中的應用

 

3.4.1方案設計

 

3.4.2整體流程

 

3.4.3數據處理

 

3.4.4模型構建

 

3.4.5訓練配置

 

3.4.6模型訓練

 

3.4.7模型評估和推理

 

3.5本章小結

 

第4章循環神經網絡

 

4.1任務描述

 

4.2循環神經網絡

 

4.2.1RNN和LSTM網絡的設計思考

 

4.2.2RNN結構

 

4.2.3LSTM網絡結構

 

4.2.4模型實現

 

4.3案例：基於THUCNews新聞標題的文本分類

 

4.3.1方案設計和整體流程 

 

4.3.2數據預處理

 

4.3.3模型構建

 

4.3.4訓練配置、過程和模型保存

 

4.3.5模型推理

 

4.4本章小結

 

第5章註意力模型

 

5.1任務簡介

 

5.2註意力機制

 

5.2.1註意力機制原理

 

5.2.2自註意力機制

 

5.2.3Transformer模型

 

5.2.4模型實現

 

5.2.5自註意力模型與全連接、捲積、循環、圖神經網絡的不同

 

5.3案例： 基於seq2seq的對聯生成

 

5.3.1方案設計

 

5.3.2數據預處理

 

5.3.3模型構建

 

5.3.4訓練配置和訓練

 

5.3.5模型推理

 

5.4本章小結

 

第三部分自然語言應用

 

第6章預訓練詞向量

 

6.1詞向量概述

 

6.2詞向量word2vec

 

6.2.1CBOW模型

 

6.2.2Skipgram模型

 

6.2.3負採樣

 

6.3CBOW實現

 

6.3.1數據處理

 

6.3.2網絡結構

 

6.3.3模型訓練

 

6.4案例： 詞向量可視化與相似度計算

 

6.4.1詞向量可視化

 

6.4.2句子語義相似度

 

6.5本章小結

 

第7章預訓練語言模型及應用

 

7.1任務介紹

 

7.2BERT模型

 

7.2.1整體結構

 

7.2.2輸入表示

 

7.2.3基本預訓練任務

 

7.2.4預訓練語言模型的下游應用

 

7.2.5模型實現

 

7.3案例： BERT文本語義相似度計算

 

7.3.1方案設計

 

7.3.2數據預處理

 

7.3.3模型構建

 

7.3.4模型配置與模型訓練

 

7.3.5模型推理

 

7.4本章小結

 

第8章詞性分析技術及應用

 

8.1任務簡介

 

8.2基於BERTBiLSTMCRF模型的命名實體識別模型 

 

8.2.1BERT詞表示層

 

8.2.2BiLSTM特徵提取層

 

8.2.3CRF序列標註層

 

8.3深入瞭解BiLSTMCRF模型

 

8.3.1BiLSTM+CRF模型架構

 

8.3.2CRF模型定義

 

8.3.3標簽分數

 

8.3.4轉移分數

 

8.3.5解碼策略

 

8.3.6CRF模型實現

 

8.4案例： 基於BERT+BiGRU+CRF模型的阿裡中文地址要素解析

 

8.4.1方案設計

 

8.4.2數據預處理

 

8.4.3模型構建

 

8.4.4模型推理

 

8.5本章小結

 

 

 

類似商品