中图网

>

人工智能

人工智能出版工程人工智能:深度学习核心算法

作者：冯超

出版社：电子工业出版社出版时间：2020-09-01

开本：其他页数： 332

本类榜单：计算机/网络销量榜

中图价:¥47.0(4.8折) 定价 ~~¥98.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

温馨提示：5折以下图书主要为出版社尾货，大部分为全新（有塑封/无塑封），个别图书品相8-9成新、切口
有划线标记、光盘等附件不全详细品相说明>>

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥47.0 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

人工智能出版工程人工智能:深度学习核心算法版权信息

ISBN：9787121381423
条形码：9787121381423 ; 978-7-121-38142-3
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
人工智能

人工智能出版工程人工智能:深度学习核心算法本书特色

适读人群：本书适合对深度学习感兴趣的读者阅读，也适合有志于从事计算机视觉研究等领域的广大学生阅读，可作为深度学习的入门教材。系统讲解深度学习模型剖析深度学习在经典应用领域的核心算法图像分类、物体检测、机器翻译、推荐系统、广告等领域初探

人工智能出版工程人工智能:深度学习核心算法内容简介

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。

人工智能出版工程人工智能:深度学习核心算法目录

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