MindSpore深度學習與實踐
李萬清
- 出版商: 西安電子科技大學出版
- 出版日期: 2022-08-01
- 定價: $180
- 售價: 8.5 折 $153
- 語言: 簡體中文
- 頁數: 160
- 裝訂: 平裝
- ISBN: 7560665101
- ISBN-13: 9787560665108
-
相關分類:
數位訊號處理 Dsp、DeepLearning
立即出貨 (庫存=1)
商品描述
本書分理論實踐兩大部分。
理論部分介紹了深度學習的相關基礎知識，
從深度學習的基礎知識到簡單的捲積神經網絡再到更複雜的循環神經網絡、生成對抗網絡、深度強化學習，層層遞進，由淺入深。
實作部分以2019年華為新推出並於2020年開源的MindSpore框架為深度學習的學習工具，
將理論部分介紹的深度學習理論知識運用到實踐中，使用MindSpore框架實現線性擬合、數碼影像分類、圖片分類等功能，
以便讀者掌握MindSpore框架的使用和深度學習知識的實際運用。
本書屬於深度學習的入門書，適合於深度學習與機器學習相關領域的初學者或有一定相關知識經驗的學習者、
MindSpore框架的初學者以及對華為AI計算框架相關係列感興趣的讀者。
目錄大綱
目錄
第一部分理論
第1章深度學習與MindSpore
1.1 機器學習
1.1.1 圍棋與人工智能
1.1.2 什麼是機器學習
1.2 深度學習
1.2.1 什麼是深度學習
1.2.2 深度學習的現實應用
1.3 常用的深度學習框架
1.4 MindSpore簡介
1.4.1 MindSpore架構
1.4.2 端雲協同架構
參考文獻
第2章深度學習基礎知識
2.1 神經網絡
2.1.1 人工神經網絡
2.1.2 神經網絡的發展歷史
2.2 回歸問題
2.2.1 模型
2.2 .2 模型訓練
2.3 分類問題
2.4 前向傳播
2.5 梯度下降
2.5.1 梯度
2.5.2 梯度下降
2.5.3 梯度下降法的一般過程
2.5.4 常見的梯度下降法
2.6 鍊式法則與反向傳播
2.7 最佳化器
2.7.1 梯度下降演算法（Gradient Descent，GD）
2.7.2 動量法（Momentum）
2.7.3 Nesterov Accelerated Gradient（NAG）
2.7.4 AdaGrad
2.7.5 Adadelta
2.8 過數擬合與欠擬合
參考文獻
第33章捲積神經網絡
3.1 捲積
3.2 池化
3.2.1 平均值池化
3.2.2 最大值池化
3.3 活化函數
3.3.1 活化函數的作用
3.3.2 常用的活化函數
3.4 捲積神經網絡的整體結構
參考文獻
第4章循環神經網絡
4.1 循環神經網絡概述
4.2 循環神經網絡基本結構
4.2.1 基本循環神經網絡
4.2.2 雙向循環神經網絡
4.3 循環神經網絡變種
4.3.1 RNN的限制
4.3.2 LSTM
4.3 .3 GRU
參考文獻
第5章生成對抗網絡
5.1 生成對抗網絡概述
5.1.1 GAN理論與實現
5.1.2 生成網絡
5.1.3 判別網絡
5.2 條件生成對抗網絡
5.3 深度捲積生成對抗網絡
5.4 GAN的典型應用
5.4.1 產生資料
5.4.2 影像超分辨率
5.4.3 風格轉換
參考文獻
第6章深度強化學習
6.1 深度強化學習概述
6.1.1 強化學習
6.1.2 深度強化學習
6.2 深度強化學習演算法
6.2.1 Q .Learning
6.2.2 DON
6.2.3 Policy Gradient Method
6.3 深度強化學習的應用
6.3.1 機器人
6.3.2 導航與自動駕駛
6.3.3 智慧醫療
參考文獻
第二部分實踐
第7章實驗環境的安裝與使用
7.1 Anaconda
7.1.1 Anaconda簡介
7.1.2 Anaconda的安裝
7.2 MindSpore的安裝
7.2.1 安裝對應的Python版本
7.2.2 安裝Windows cpu版本MindSpore
7.3 選擇合適的IDE
7.3.1 PyCharm簡介
7.3.2 VSCode簡介
7.3.3 MindStudio簡介
7.3.4 Jupyter Notebook簡介
7.4 總結
第8章MindSpore快速入門
8.1 MindSpore中的一些基本概念及操作
8.1.1 張量（Tensor）初始化及其屬性
8.1.2 張量運算
8.2 MindSpore資料加載及處理
8.2.1 資料加載
8.2.2 資料處理與增強
8.3 總結
第9章實現簡單線性函數擬合
9.1 實例背景
9.2 解決方案設計
9.3 方案實現
9.3.1 產生資料集
9.3.2 定義訓練網絡
9.3.3擬合流程視覺化準備
9.3.4 執行訓練
9.4 總結
第10章使用LeNet.5網絡實現手寫數字辨識
10.1 LeNet.5網絡
10.1.1 LeNet.5網絡概述
10.1.2 各層參數詳解
10.2 Mnist資料集
10.2. 1 Mnist資料集簡介
10.2.2 資料集下載
10.2.3 資料讀取
10.2.4 資料處理
10.2.5 定義訓練網絡
10.2.6 訓練網絡
10.2.7 推理預測
10.3 總結
第11章使用AlexNet網絡實現影像分類
11.1 AlexNet網絡
11.1.1 AlexNet網絡概述
11.1.2 各層參數詳解
11.2 CIFAR.10資料集
11.2.1 CIFAR.10資料集簡介
11.2.2 資料集下載
11.2.3 資料讀取
11.3 使用AlexNet網絡實現影像分類
11.3 .1 使用Cifar10Dataset加載並處理輸入影像
11.3.2 建置網絡模型
11.3.3 訓練網絡
11.3.4 驗證模型
11.4 總結
第12章ResNet網絡的實作
12.1 ResNet網絡
12.1.1 ResNet網絡概述
12.1.2 ResNet網絡結構
12.2 ResNet網絡的實作
12.2.1 資料加載及處理
12.2.2 建置模型
12.2.3 訓練模型
12.2.4 評估模型
12.3 總結
第13章LSTM網絡的實作
13.1 acllmdb vl資料集
13.2 LSTM網絡的實現
13.2.1 準備資料集
13.2.2 產生適用於MindSpor
