包郵深度捲積網絡：原理與實踐|7845080 epub pdf mobi txt 電子書下載 2024

☆☆☆☆☆
簡體網頁||繁體網頁

彭博著

下載链接在页面底部

點擊這裡下載

facebook linkedin mastodon messenger pinterest reddit telegram twitter viber vkontakte whatsapp 複製鏈接

想要找書就要到靜思書屋

book.idnshop.cc

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

發表於2024-11-24

商品介绍

店鋪：互動創新圖書專營店

齣版社：機械工業齣版社

ISBN：9787111596653

商品編碼：28100602652

叢書名：智能係統與技術叢書

齣版時間：2018-05-01

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

書籍描述

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。

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