深度捲積網絡 : 原理與實踐 深度卷积网络:原理与实践
彭博
- 出版商: 機械工業
- 出版日期: 2018-05-07
- 定價: $774
- 售價: 7.9 折 $611
- 語言: 簡體中文
- 頁數: 328
- 裝訂: 平裝
- ISBN: 711159665X
- ISBN-13: 9787111596653
-
相關分類:
DeepLearning
立即出貨
買這商品的人也買了...
-
$474$450 -
$490$417 -
$352Python 計算機視覺編程 (Programming Computer Vision with Python)
-
$505圖像處理、分析與機器視覺, 4/e (Image Processing, Analysis, and Machine Vision, 4/e)
-
$834$792 -
$383視覺 SLAM 十四講:從理論到實踐
-
$590$460 -
$857深度學習 (Deep Learning)
-
$332深度學習框架 PyTorch : 入門與實踐
-
$403程序員的數學2 : 概率統計
-
$250程序員的數學
-
$352文本上的算法 深入淺出自然語言處理
-
$408強化學習精要:核心算法與 TensorFlow 實現
-
$505精通數據科學 從線性回歸到深度學習
-
$500$390 -
$210$200 -
$352Python 自然語言處理實戰:核心技術與算法
-
$374深度學習之 PyTorch 實戰電腦視覺
-
$580$493 -
$332GAN : 實戰生成對抗網絡
-
$403深度學習 : 捲積神經網絡從入門到精通
-
$607機器學習實戰:基於 Scikit-Learn 和 TensorFlow (Hands-On Machine Learning with Scikit-Learn and TensorFlow: Concepts, Tools, and Techniques for Building Intelligent Systems)
-
$422分佈式機器學習:算法、理論與實踐
-
$327深度學習實踐 : 基於 Caffe 的解析
-
$311面向自然語言處理的深度學習:用 Python 創建神經網絡 (Deep Learning for Natural Language Processing: Creating Neural Networks with Python)
相關主題
商品描述
本書正文內容可分3部分,共9章:綜述篇(第1,6,9章)。這三章不需要編程和數學基礎,如果讀者尚不熟悉技術,推薦優先閱讀,尤其是第1和第9章。它們分別介紹:深度學習的基本概念,AlphaGo的架構綜述,深度學習的問題和未來展望。深度捲積網絡篇(第2,3,4,5章)。這四章結合理論與實際代碼,由淺入深,從神經網絡,到捲積網絡,到深度捲積網絡,讓讀者掌握深度捲積網絡的基礎知識、實踐技巧和新發展,是本書的關鍵所在,值得仔細閱讀。實戰篇(第7,8章)。這兩章分別講述AlphaGo和GAN的訓練和應用細節,包括詳細的代碼分析。
作者簡介
彭博
人工智能、量化交易、區塊鏈領域的技術專家,有20年以上的研發經驗。
在人工智能與信息科技方面,對深度學習、機器學習、計算機圖形學、智能硬件等有較為深入的研究;在量化交易方面,曾在全球大的外匯對沖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;在區塊鏈方面,對智能合約、DApp開發和自動交易有較為深入的實踐。
目錄大綱
Contents目錄
前言
引子·神之一手1
第1章走進深度學習的世界5
1.1從人工智能到深度學習5
1.2深度神經網絡的威力:以AlphaGo為例8
1.2.1策略網絡簡述9
1.2.2泛化:看棋譜就能學會下圍棋11
1.2.3擬合與過擬合11
1.2.4深度神經網絡的速度優勢12
1.3深度神經網絡的應用大觀13
1.3.1圖像分類問題的難度所在13
1.3 .2用深度神經網絡理解圖像15
1.3.3 AlphaGo中的深度神經網絡17
1.3.4自動發現規律:從數據A到答案B17
1.3.5深度神經網絡的更多應用18
1.3.6從分而治之,到端對端學習24
1.4親自體驗深度神經網絡25
1.4.1 TensorFlow遊樂場25
1.4.2 MNIST數字識別實例:LeNet-527
1.4.3策略網絡實例28
1.4.4簡筆劃:Sketch-RNN29
1.4.5用GAN生成動漫頭像30
1.5深度神經網絡的基本特點31
1.5.1兩大助力:算力、數據31
1.5.2從特徵工程,到逐層抽象32
1.5.3深度神經網絡學會的是什麼35
1.6人工智能與神經網絡的歷史36
1.6.1人工智能的兩大學派:邏輯與統計37
1.6.2人工智能與神經網絡的現代編年史37
第2章深度卷積網絡:第一課42
2.1神經元: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:找大小問題的初次嘗試48
2.1.5訓練:Excel的實現50
2.1.6重要知識:批大小、mini-batch、epoch51
2.2深度學習框架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訓練神經元並體驗調參60
2.3神經網絡:運作和訓練63
2.3.1運作:前向傳播,與非線性激活的必要性63
2.3. 2運作:非線性激活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:反向傳播71
2.3.7重要知識:梯度消失,梯度爆炸72
2.3.8從幾何觀點理解神經網絡72
2.3.9訓練:MXNet的實現73
第3章深度卷積網絡:第二課77
3.1重要理論知識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有監督學習:回歸、分類、標籤、排序、Seq2Seq79
3.1.4無監督學習:聚類、降維、自編碼、生成模型、推薦81
3.1.5訓練的障礙:欠擬合、過擬合82
3.1.6訓練的細節:局部極值點、鞍點、梯度下降算法83
3.2神經網絡的正則化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:集合、多任務學習、參數共享等86
3.2.4數據增強與預處理88
3.3神經網絡的調參89
3.3.1學習速率89
3.3.2批大小90
3.3.3初始化方法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重要知識:SoftMax層、交叉熵損失96
3.4.2訓練代碼與網絡架構98
3.4.3超越MNIST:最新的Fashion-MNIST數據集101
3.5網絡訓練的常見bug和檢查方法103
3.6網絡訓練性能的提高104
第4章深度卷積網絡:第三課106
4.1卷積網絡:從實例說明106
4.1.1實例:找橘貓,最原始的方法107
4.1.2實例:找橘貓,更好的方法108
4.1.3實例:卷積和池化108
4.1.4卷積網絡的運作111
4.2運作:AlphaGo眼中的棋盤112
4.2.1棋盤的編碼113
4.2.2最簡化的策略網絡115
4.2.3最簡化的策略網絡:特徵層和卷積後的結果116
4.3卷積神經網絡:進一步了解122
4.3.1卷積核、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放大圖像:轉置卷積127
4.4實例:用卷積網絡解決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經網絡139
第5章深度卷積網絡:第四課141
5.1經典的深度卷積網絡架構142
5.1.1深度學習革命的揭幕者:AlexNet142
5.1.2常用架構:VGG系列145
5.1.3去掉全連接層:DarkNet系列147
5.2網絡的可視化:以AlexNet為例150
5.3遷移學習:精調、預訓練等155
5.4架構技巧:基本技巧157
5.4.1感受野與縮小卷積核157
5.4.2使用1×1卷積核158
5.4.3批規範化160
5.4.4實例:回顧Fashion-MNIST問題161
5.4.5實例:訓練CIFAR-10模型164
5.5架構技巧:殘差網絡與通道組合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:來自於集合的理解與隨機深度172
5.5.4殘差網絡:MXNet實現,以策略網絡為例173
5.5.5通道組合:Inception模組174
5.5.6通道組合:XCeption架構,深度可分卷積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卷積核的變形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
第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蒙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中的深度卷積網絡架構217
6.4 AlphaGo的訓練過程219
6.4.1原版AlphaGo:策略梯度方法219
6.4.2新版AlphaGo:從蒙特卡洛樹搜索學習220
6.5 AlphaGo方法的推廣221
第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棋盤隨機變換:symmetry.py235
7.2.5訓練實例236
7.3對弈實戰237
第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的訓練方法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系列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更多的生成模型方法266
8.5.1自編碼器:從AE到VAE266
8.5.2逐點生成:PixelRNN和PixelCNN系列267
8.5.3將VAE和GAN結合:CVAE-GAN268
第9章通向智能之秘272
9.1計算機視覺的難度272
9.2對抗樣本,與深度網絡的特點276
9.3人工智能的挑戰與機遇278
9.3.1棋類游戲中的電腦陷阱278
9.3.2偏見、過濾氣泡與道德困境280
9.3.3語言的迷局283
9.3.4強化學習、機器人與目標函數286
9.3.5創造力、審美與意識之謎290
9.3.6預測學習:機器學習的前沿293
9.4深度學習的理論發展295
9.4.1超越反向傳播:預測梯度與生物模型295
9.4.2超越神經網絡:Capsule與gcForest297
9.4.3泛化問題300
9.5深度學習與人工智能的展望304
9.5.1工程層面304
9.5.2理論層面304
9.5.3應用層面305
跋人工智能與我們的未來306
附錄深度學習與AI的網絡資源310