人工智能：深度学习核心算法
| 作者 |
| 冯超 |
| 丛书名 |
| 人工智能出版工程 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121381423 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书是一本介绍深度学习核心算法的书籍。书中以轻松、直白的语言，生动、详细地介绍了与深度学习模型相关的基础知识，深入剖析了深度学习核心算法的原理与本质。同时，书中配有大量案例与源码，帮助读者切实体会深度学习的核心思想和精妙之处。此外，书中还介绍了深度学习在计算机视觉、自然语言处理和推荐系统领域的应用，从原理层面揭示其思想，帮助读者在这些领域中夯实技术基础。 |
| 目录 |
| 第 1 章 从生活走进深度学习 1 1．1 钞票面值问题1 1．2 机器学习的特征表示5 1．3 机器学习10 1．4 深度学习的逆袭14 1．5 总结与提问 19 第 2 章 构建小型神经网络20 2．1 线性代数基础21 2．2 全连接层与非线性函数27 2．3 神经网络可视化30 2．4 反向传播法35 2．5 反向传播法的计算方法37 2．6 反向传播法在计算上的抽象40 2．7 反向传播法在批量数据上的推广42 2．8 模型训练与结果可视化46 2．9 总结与提问48 第 3 章 多层网络与分类50 3．1 MNIST 数据集50 3．2 概率论基础51 3．3 Softmax 函数57 3．4 交叉熵损失60 3．5 使用 PyTorch 实现模型构建与训练67 3．6 模型结果分析72 3．7 总结与提问74 第 4 章 卷积神经网络76 4．1 卷积操作76 4．2 卷积层汇总了什么83 4．3 卷积层的反向传播87 4．4 ReLU93 4．5 Pooling 层97 4．6 卷积神经网络实验101 4．7 卷积神经网络的感受野103 4．8 总结与提问112 第 5 章 网络初始化113 5．1 错误的初始化113 5．2 关于数值的初始化实验116 5．3 Xavier 初始化122 5．4 MSRA 初始化128 5．5 ZCA 初始化132 5．6 总结与提问138 第 6 章 网络优化140 6．1 梯度下降法140 6．2 动量法145 6．3 随机梯度下降的变种算法151 6．4 总结与提问164 第 7 章 进一步强化网络165 7．1 Dropout165 7．2 Batch Normalization168 7．3 总结与提问176 第 8 章 高级网络结构178 8．1 CIFAR10 数据集178 8．2 VGG 模型179 8．3 ResNet183 8．4 Inception 195 8．5 通道分解的网络196 8．6 总结与提问202 第 9 章 网络可视化203 9．1 模型优化路径的简单可视化203 9．2 卷积神经网络的可视化206 9．3 图像风格转换211 9．4 总结与提问217 第 10 章 物体检测218 10．1 物体检测的评价指标218 10．2 YOLOv3：一阶段检测算法223 10．3 Faster RCNN：两阶段检测算法230 10．4 总结与提问235 第 11 章 词嵌入237 11．1 One-Hot 编码的缺点237 11．2 分布式表征238 11．3 负采样242 11．4 SGNS 实现243 11．5 tSNE247 11．6 总结与提问255 第 12 章 循环神经网络256 12．1 语言模型与循环神经网络256 12．2 RNN 实现259 12．3 LSTM 网络262 12．4 语言模型实践266 12．5 LSTM 网络的可视化与分析272 12．6 RNN 的应用类型274 12．7 CTC276 12．8 总结与提问282 第 13 章 Transformer284 13．1 Transformer 模型的基本结构286 13．2 模型训练与预测293 13．3 BERT 模型296 13．4 总结与提问303 第 14 章 深度分解模型304 14．1 分解机306 14．2 评价指标 AUC310 14．3 DeepFM314 14．4 DeepFM 的改进方法317 14．5 总结与提问322 |
有问题微信扫码联系