深度學習（微課視頻版）
呂雲翔 王志鵬 主編 王淥汀 劉卓然 韓雪婷 梁菁菁 副主編
- 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: 7302670722
- ISBN-13: 9787302670728
-
相關分類:
DeepLearning
下單後立即進貨 (約4週~6週)
相關主題
商品描述
"本書循序漸進地介紹了深度學習的基礎知識與常用方法，全面細致地提供了深度學習操作的原理和在深度學習框架下的實踐步驟。本書共分為三部分，理論基礎、實驗和案例。第一部分理論基礎，包括第1~7章，主要介紹深度學習的基礎知識、深度學習在不同領域的應用、不同深度學習框架的對比以及機器學習、神經網絡等內容； 第二部分實驗，包括第8~9章，主要講解常用深度學習框架的基礎以及電腦視覺、自然語言處理、強化學習和可視化技術領域的一些實驗講解。第三部分案例包括第10~17章，通過8個案例介紹深度學習在圖像分類、目標檢測、目標識別、圖像分割、生成對抗、自然語言處理等方面的應用。 本書適合Python深度學習初學者、機器學習算法分析從業人員以及高等學校電腦科學、軟件工程等相關專業的師生閱讀。 "
目錄大綱
目錄
第一部分理 論 基 礎
第1章深度學習簡介
1.1電腦視覺
1.1.1定義
1.1.2基本任務
1.1.3傳統方法
1.1.4仿生學與深度學習
1.1.5現代深度學習
1.1.6小結
1.2自然語言處理
1.2.1自然語言處理的基本問題
1.2.2傳統方法與神經網絡方法的比較
1.2.3發展趨勢
1.3強化學習
1.3.1什麽是強化學習
1.3.2強化學習算法簡介
1.3.3強化學習的應用
小結
習題
第2章深度學習框架及其對比
2.1PyTorch
2.1.1PyTorch簡介
2.1.2PyTorch的特點
2.1.3PyTorch概述
2.2TensorFlow
2.2.1TensorFlow簡介
2.2.2數據流圖
2.2.3TensorFlow的特點
2.2.4TensorFlow概述
2.3PaddlePaddle
2.3.1PaddlePaddle簡介
2.3.2PaddlePaddle的特點
2.3.3PaddlePaddle的應用
2.4三者的比較
小結
習題
第3章機器學習基礎知識
3.1機器學習概述
3.1.1關鍵術語
3.1.2機器學習的分類
3.1.3機器學習的模型構造過程
3.2監督學習
3.2.1線性回歸
3.2.2Logistic回歸
3.2.3最小近鄰法
3.2.4線性判別分析法
3.2.5樸素貝葉斯分類算法
3.2.6決策樹分類算法
3.2.7支持向量機分類算法
3.3非監督學習
3.3.1劃分式聚類方法
3.3.2層次化聚類方法
3.3.3基於密度的聚類方法
3.4強化學習
3.4.1強化學習、監督學習和非監督學習
3.4.2強化學習問題描述
3.4.3強化學習問題分類
3.5神經網絡和深度學習
3.5.1感知器模型
3.5.2前饋神經網絡
3.5.3捲積神經網絡
3.5.4其他類型結構的神經網絡
3.6案例： 銀行貸款用戶篩選
小結
習題
第4章回歸模型
4.1線性回歸
4.2Logistic回歸
4.3用PyTorch實現Logistic回歸
4.3.1數據準備
4.3.2線性方程
4.3.3激活函數
4.3.4損失函數
4.3.5優化算法
4.3.6模型可視化
小結
習題
第5章神經網絡基礎
5.1基礎概念
5.2感知器
5.2.1單層感知器
5.2.2多層感知器
5.3BP神經網絡
5.3.1梯度下降
5.3.2後向傳播
5.4Dropout正則化
5.5批標準化
5.5.1Batch Normalization的實現方式
5.5.2Batch Normalization的使用方法
小結
習題
第6章捲積神經網絡與電腦視覺
6.1捲積神經網絡的基本思想
6.2捲積操作
6.3池化層
6.4捲積神經網絡
6.5經典網絡結構
6.5.1VGG網絡
6.5.2InceptionNet
6.5.3ResNet
6.6用PyTorch進行手寫數字識別
小結
習題
第7章神經網絡與自然語言處理
7.1語言建模
7.2基於多層感知器的架構
7.3基於循環神經網絡的架構
7.3.1循環單元
7.3.2通過時間後向傳播
7.3.3帶有門限的循環單元
7.3.4循環神經網絡語言模型
7.3.5神經機器翻譯
7.4基於捲積神經網絡的架構
7.5基於Transformer的架構
7.5.1多頭註意力
7.5.2非參位置編碼
7.5.3編碼器單元與解碼器單元
7.6表示學習與預訓練技術
7.6.1詞向量
7.6.2加入上下文信息的特徵表示
7.6.3網絡預訓練
小結
習題
第二部分實驗
第8章操作實踐
8.1PyTorch操作實踐
8.1.1PyTorch安裝
8.1.2Tensor對象及其運算
8.1.3Tensor的索引和切片
8.1.4Tensor的變換、拼接和拆分
8.1.5PyTorch的Reduction操作
8.1.6PyTorch的自動微分
8.2TensorFlow操作實踐
8.2.1TensorFlow安裝
8.2.2Tensor對象及其運算
8.2.3Tensor的索引和切片
8.2.4Tensor的變換、拼接和拆分
8.2.5TensorFlow的Reduction操作
8.2.6TensorFlow的自動微分
8.3PaddlePaddle操作實踐
8.3.1PaddlePaddle安裝
8.3.2Tensor的創建和初始化
8.3.3Tensor的常見基礎操作
8.3.4自動微分
小結
第9章綜合項目實驗
9.1電腦視覺
9.1.1一個通用的圖像分類模型
9.1.2兩階段目標檢測和語義分割
9.1.3人物圖像處理
9.1.4調用遠程服務
9.1.5動漫圖像生成
9.2自然語言處理
9.2.1垃圾郵件分類
9.2.2詞嵌入技術
9.2.3文本生成與多輪對話
9.2.4語音識別
9.3強化學習
9.4可視化技術
9.4.1使用TensorBoard可視化訓練過程
9.4.2捲積核可視化
9.4.3註意力機制可視化
第三部分案例
第10章案例： 基於ResNet的跨域數據集圖像分類
10.1遷移學習
10.2數據集介紹與預處理
10.2.1數據集介紹
10.2.2數據預處理
10.3數據加載與模型訓練
10.3.1數據集加載
10.3.2模型訓練
10.4運行結果
小結
第11章案例： 基於YOLO V3的安全帽佩戴檢測
11.1數據準備
11.1.1數據採集與標註
11.1.2模型和框架選擇
11.1.3數據格式轉換
11.2模型構建、訓練和測試
11.2.1YOLO系列模型
11.2.2模型訓練
11.2.3測試與結果
小結
第12章案例： 基於PaddleOCR的車牌識別
12.1車牌識別簡介
12.1.1車牌識別應用及發展史
12.1.2基於深度學習的車牌識別技術
12.2基於PaddleOCR的車牌識別實現
12.2.1PaddleOCR簡介與環境準備
12.2.2CCPD數據集介紹
12.2.3數據集準備與預處理
12.2.4模型選擇與訓練
小結
第13章案例： 基於PaddleSeg的動物圖詞組義分割
13.1語義分割應用簡介
13.2基於PaddleSeg的語義分割實現
13.2.1PaddleSeg簡介與環境準備
13.2.2OxfordIIIT Pet數據集介紹
13.2.3模型訓練
13.2.4模型的評估與測試
小結
第14章案例： 基於SRCNN圖像超分辨率
14.1SRCNN介紹
14.2技術方案及核心代碼
14.2.1模型訓練要點
14.2.2構造函數
14.2.3構建SRCNN的結構
14.2.4模型訓練
小結
第15章案例： 基於TensorFlowTTS的中文語音合成
15.1TTS簡介
15.1.1語音合成技術
15.1.2TTS技術發展史和基本原理
15.1.3基於深度學習的TTS
15.2基於TensorFlowTTS的語音合成實現
15.2.1TensorFlowTTS簡介與環境準備
15.2.2算法簡介
15.2.3代碼實現與結果展示
第16章案例： 基於LSTM的原創音樂生成
16.1樣例背景介紹
16.1.1循環神經網絡
16.1.2Music 21
16.1.3TensorFlow
16.2項目結構設計
16.3實驗步驟
16.3.1搭建實驗環境
16.3.2觀察並分析數據
16.3.3數據預處理
16.3.4生成音樂
16.4成果檢驗
第17章案例： 基於Fast RCNN的視頻問答
17.1視頻問答與聯合嵌入模型
17.2準備工作
17.2.1下載數據
17.2.2軟件包和配置文件
17.3基礎模塊實現
17.3.1FCNet
17.3.2SimpleClassifier模塊
17.4問題嵌入模塊實現
17.4.1詞嵌入
17.4.2RNN
17.5TopDown Attention模塊實現
17.6VQA系統實現
17.7模型訓練與可視化
17.7.1模型訓練
17.7.2可視化
小結
附錄A深度學習的數學基礎
A.1線性代數
A.2概率論
參考文獻
