√ 来自一直盛产人工智能黑科技的神秘之师，他们也是源分布式系统ytk-learn和ytk-mp4j的作者。 √ 用一线工程视角，透过关键概念、模型、算法原理和实践经验，为坑者破解深度学习“炼金术”。 √ 算法、代码容易获取，结合产品需求落地机器学习才是难题，本书旨在让算法真正在团队扎根长大。 √ 胸怀全局、了如指掌才能在实践中少走弯路，用理论滋养创新能力，这也是本书导向的至臻境界。
售 价：¥
纸质售价：¥89.20购买纸书
6.2
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
版权页
前言
第1部分 深度学习基础篇
1 概述
1.1 人工智能
1.2 机器学习
1.3 神经网络
参考文献
2 神经网络
2.1 在神经科学中对生物神经元的研究
2.2 神经元模型
2.3 感知机
2.4 DNN
参考文献
3 初始化模型
3.1 受限玻尔兹曼机
3.2 自动编码器
3.3 深度信念网络
参考文献
4 卷积神经网络
4.1 卷积算子
4.2 卷积的特征
4.3 卷积网络典型结构
4.4 卷积网络的层
参考文献
5 循环神经网络
5.1 循环神经网络简介
5.2 RNN、LSTM和GRU
5.3 双向RNN
5.4 RNN语言模型的简单实现
参考文献
6 深度学习优化算法
6.1 SGD
6.2 Momentum
6.3 NAG
6.4 Adagrad
6.5 RMSProp
6.6 Adadelta
6.7 Adam
6.8 AdaMax
6.9 Nadam
6.10 关于优化算法的使用
参考文献
7 深度学习训练技巧
7.1 数据预处理
7.2 权重初始化
7.3 正则化
参考文献
8 深度学习框架
8.1 Theano
8.2 Torch
8.3 PyTorch
8.4 Caffe
8.5 TensorFlow
8.6 MXNet
8.7 Keras
参考文献
第2部分 计算机视觉篇
9 计算机视觉背景
9.1 传统计算机视觉
9.2 基于深度学习的计算机视觉
9.3 参考文献
10 图像分类模型
10.1 LeNet-5
10.2 AlexNet
10.3 VGGNet
10.4 GoogLeNet
10.5 ResNet
10.6 DenseNet
10.7 DPN
参考文献
11 目标检测
11.1 相关研究
11.2 基于区域提名的方法
11.3 端到端的方法
11.4 小结
参考文献
12 语义分割
12.1 全卷积网络
12.2 CRF/MRF的使用
12.3 实例分割
参考文献
13 图像检索的深度哈希编码
13.1 传统哈希编码方法
13.2 CNNH
13.3 DSH
13.4 小结
参考文献
第3部分 语音识别篇
14 传统语音识别基础
14.1 语音识别简介
14.2 HMM简介
14.3 HMM梯度求解
14.4 孤立词识别
14.5 连续语音识别
14.6 Viterbi解码
14.7 三音素状态聚类
14.8 判别式训练
参考文献
15 基于WFST的语音解码
15.1 有限状态机
15.2 WFST及半环定义
15.3 自动机操作
15.4 基于WFST的语音识别系统
参考文献
16 深度语音识别
16.1 CD-DNN-HMM
16.2 TDNN
16.3 CTC
16.4 EESEN
16.5 Deep Speech
16.6 Chain
参考文献
17 CTC解码
17.1 序列标注
17.2 序列标注任务的解决办法
17.3 隐马模型
17.4 CTC基本定义
17.5 CTC前向算法
17.6 CTC后向算法
17.7 CTC目标函数
17.8 CTC解码基本原理
参考文献
第4部分 自然语言处理篇
18 自然语言处理简介
18.1 NLP的难点
18.2 NLP的研究范围
19 词性标注
19.1 传统词性标注模型
19.2 基于神经网络的词性标注模型
19.3 基于Bi-LSTM的神经网络词性标注模型
参考文献
20 依存句法分析
20.1 背景
20.2 SyntaxNet技术要点
参考文献
21 word2vec
21.1 背景
21.2 CBOW模型
21.3 Skip-gram模型
21.4 Hierarchical Softmax与Negative Sampling
21.5 fastText
21.6 GloVe
21.7 小结
参考文献
22 神经网络机器翻译
22.1 机器翻译简介
22.2 神经网络机器翻译基本模型
22.3 基于Attention的神经网络机器翻译
22.4 谷歌机器翻译系统GNMT
22.5 基于卷积的机器翻译
22.6 小结
参考文献
第5部分 深度学习研究篇
23 Batch Normalization
23.1 前向与后向传播
23.2 有效性分析
23.3 使用与优化方法
23.4 小结
参考文献
24 Attention
24.1 从简单RNN到RNN+Attention
24.2 Soft Attention与Hard Attention
24.3 Attention的应用
24.4 小结
参考文献
25 多任务学习
25.1 背景
25.2 什么是多任务学习
25.3 多任务分类与其他分类概念的关系
25.4 多任务学习如何发挥作用
25.5 多任务学习被广泛应用
25.6 多任务深度学习应用
25.7 小结
参考文献
26 模型压缩
26.1 模型压缩的必要性
26.2 较浅的网络
26.3 剪枝
26.4 参数共享
26.5 紧凑网络
26.6 二值网络
26.7 小结
参考文献
27 增强学习
27.1 什么是增强学习
27.2 增强学习的数学表达形式
27.3 用动态规划法求解增强学习问题
27.4 无模型算法
27.5 Q-Learning的例子
27.6 AlphaGo原理剖析
27.7 AlphaGo Zero
参考文献
28 GAN
28.1 生成模型
28.2 生成对抗模型的概念
28.3 GAN实战
28.4 InfoGAN——探寻隐变量的内涵
28.5 Image-Image Translation
28.6 WGAN(Wasserstein GAN)
参考文献
A 本书涉及的开源资源列表
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
