中图网

>

计算机教材

深度学习入门与实践

作者：鲁鸣鸣主编

出版社：中南大学出版社出版时间：2021-09-01

开本： 26cm 页数： 166页

本类榜单：计算机/网络销量榜

中图价:¥27.9(7.8折) 定价 ~~¥36.0~~ 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

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:¥27.9 加入购物车

版权信息
内容简介
目录

微信公众号

深度学习入门与实践版权信息

ISBN：9787548746331
条形码：9787548746331 ; 978-7-5487-4633-1
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

深度学习入门与实践内容简介

本书通过比较分类问题和逻辑回归问题, 引出机器学习的概率分析基础, 并建立起逻辑回归和单个神经元的等价性。基于这种等价性, 本书将直观地引出深度神经网络的基本思想和架构。然后, 本书将分别介绍深度学习目前运用*广泛的两个模型: 卷积神经网络和循环神经网络。*后, 本书将探讨深度学习在无监督学习领域的一些前沿探索, 包括词 (节点) 嵌入、自编码器、对抗生成网络等。本书主要内容包括: 机器学习概述与线性回归模型、基于概率的分类模型、逻辑回归、深度学习概述、反向传播、深度学习训练技巧、卷积神经网络、深层网络的意义、词嵌入模型以及循环神经网络等。

深度学习入门与实践目录

第1章机器学习概述与线性回归模型 1.1 机器学习基本概念 1.2 神经元模型 1.3 线性回归 1.4 线性回归的实现 1.5 模型的测试 1.6 Adagrad算法 1.7 高次模型第2章基于概率的分类模型 2.1 分类基本概念 2.2 回归模型用于分类问题 2.3 分类问题的建模 2.4 先验概率的估算 2.5 解决分类问题 2.6 模型优化 2.7 基于概率的分类模型总结 2.8 后验概率第3章逻辑回归 3.1 逻辑回归的三个步骤 3.2 逻辑回归和线性回归的比较 3.3 判别模型和生成模型 3.4 多类别分类 3.5 逻辑回归的局限性第4章深度学习概述 4.1 深度学习的应用及发展历程 4.2 深度学习基本概念 4.3 全连接前馈神经网络 4.4 手写体数字识别实例 4.4.1 模型构建 4.4.2 实现MNIST数字识别 4.4.3 总结与思考第5章反向传播 5.1 链式求导 5.2 反向传播的推导 5.3 反向传播的Python实现 5.3.1 实现误差反向传播算法的两层神经网络 5.3.2 误差反向传播的梯度确认 5.3.3 使用误差反向传播法的学习第6章 PyTorch编程案例 6.1 基于PyTorch的神经网络实现 6.2 训练参数分析 6.3 模型的保存和加载 6.4 模型的评估第7章深度学习训练技巧 7.1 深度学习训练中存在的问题 7.2 训练阶段问题以及应对技巧 7.2.1 梯度消失问题 7.2.2 更换激活函数 7.2.3 设置自适应的学习率 7.3 测试阶段问题的应对技巧 7.3.1 早停 7.3.2 正则化 7.3.3 Dmpout 第8章卷积神经网络 8.1 CNN设计准则 8.1.1 局部性准则 8.1.2 参数共享准则 8.1.3 子采样准则 8.2 CNN的整体架构 8.3 CNN的卷积层 8.3.1 卷积运算概述 8.3.2 卷积层和全连接层的比较 8.4 池化层 8.5 卷积之后的全连接层第9章深层网络的意义 9.1 神经网络的层数 9.2 深度学习的模块化思想 9.3 模块化实例——语音 9.4 模块化与万有逼近定理 9.5 端到端学习 9.6 采用深度学习的更多理由第10章词嵌入模型 10.1 独热编码与单词聚类 10.2 词嵌人模型、单词语义、上下文 10.3 两种词嵌入模型 10.4 词嵌入模型的训练和变种 10.5 词嵌入模型的性质 10.6 词嵌入模型的应用第11章循环神经网络 11.1 填槽技术给DNN带来的挑战 11.2 RNN初探 11.3 RNN的变种 11.4 长短期记忆网络单元 11.5 LSTM与DNN以及RNN的关联 11.6 RNN的训练 11.7 RNN的应用参考文献

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐