包邮深度卷积网络：原理与实践|7845080 epub pdf mobi txt 电子书下载 2024

☆☆☆☆☆
简体网页||繁体网页

彭博著

下载链接在页面底部

点击这里下载

想要找书就要到静思书屋

book.idnshop.cc

立刻按 ctrl+D收藏本页

你会得到大惊喜!!

发表于2024-11-24

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 复制链接

商品介绍

店铺：互动创新图书专营店

出版社：机械工业出版社

ISBN：9787111596653

商品编码：28100602652

丛书名：智能系统与技术丛书

出版时间：2018-05-01

包邮深度卷积网络：原理与实践|7845080 epub pdf mobi txt 电子书下载 2024

类似图书点击查看全场最低价

书籍描述

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。

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 epub pdf mobi txt 电子书下载 2024

包邮深度卷积网络：原理与实践|7845080 下载 epub mobi pdf txt 电子书 2024