万本电子书0元读

万本电子书0元读

顶部广告

深度学习:核心技术、工具与案例解析电子书

(1)作者来自于微软亚洲研究院,在人工智能、大数据和算法等领域经验非常丰富。 (2)以实战为导向的深度学习全栈技术指南,作者凭借多年经验,精选初学者需要掌握的知识精要,大大降低深度学习的门槛 (3)详细讲解深度学习的知识系统、核心技术和算法,以及它们在机器视觉、语音识别、人脸识别、自动驾驶等领域的应用

售       价:¥

纸质售价:¥49.80购买纸书

9人正在读 | 0人评论 6.6

作       者:高彦杰,于子叶

出  版  社:机械工业出版社

出版时间:2018-06-01

字       数:15.6万

所属分类: 科技 > 计算机/网络 > 软件系统

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

  • 读书简介
  • 目录
  • 累计评论(0条)
  • 读书简介
  • 目录
  • 累计评论(0条)
本书共10章,可分为3个部分:第1~2章为*部分,简介深度学习算法的发展历史和前沿技术简;第3~4章为第二部分,介绍深度学习主流框架;第5~10章为第三部分,主要为实践案例部分,结合应用场景使用深度学习技术解决相应问题,譬如语音识别器、聊天机器人、人脸识别器、对战机器人、推荐引擎构建等。<br/>【推荐语】<br/>(1)作者来自于微软亚洲研究院,在人工智能、大数据和算法等领域经验非常丰富。 (2)以实战为导向的深度学习全栈技术指南,作者凭借多年经验,精选初学者需要掌握的知识精要,大大降低深度学习的门槛 (3)详细讲解深度学习的知识系统、核心技术和算法,以及它们在机器视觉、语音识别、人脸识别、自动驾驶等领域的应用<br/>【作者】<br/>作者简介 高彦杰 大数据和人工智能研发工程师,任职于微软亚洲研究院。专注AI深度学习平台及数据处理技术,参与多项AI与数据处理相关项目,对AI底层系统到上层算法应用都有广泛的兴趣与研究。 对Hadoop和Spark等大数据技术有非常深的研究和丰富的实践经验,著有畅销书《Spark:大数据技术,应用与性能优化》和《Spark大数据分析实战》。 于子叶 算法工程师,就职于华生基因,中科院博士。曾参与电磁异常监测与四川地区灾害智能识别系统。专注于图形、信号相关的机器学习方法。对算法底层原理有深研究。 较早触TensorFlow,对深度学习等人工智能技术有非常深的研究,曾参与多个机器学习项目的研发。数学基础深厚,是较少行基础理论研究的工作者,对现有自然科学所需算法从原理到实践均有深的研究。此外,对高性能计算HPC也有较为系统和深的认识。<br/>
目录展开

前言

第1章 了解深度学习

1.1 什么是深度学习

1.1.1 深度学习能解决的问题

1.1.2 深度学习适用的领域

1.2 深度学习的技术发展

1.2.1 基础技术发展

1.2.2 应用技术发展

1.3 深度学习的知识点汇总

1.3.1 深度学习的预备技术

1.3.2 深度学习的技术构成

1.3.3 深度学习向其他行业与技术领域的延伸

1.4 深度学习工具与平台介绍

1.4.1 深度学习框架

1.4.2 深度学习基础架构

1.4.3 深度学习开发工具

1.4.4 深度学习辅助工具

1.4.5 深度学习云平台服务

1.5 本章小结

1.6 参考资料

第2章 深度学习技术

2.1 深度学习基础

2.1.1 感知器

2.1.2 激活函数

2.1.3 输入层、隐藏层、输出层

2.1.4 前向传播与反向传播求导

2.2 CNN

2.2.1 前馈网络解决图像存在的问题

2.2.2 卷积神经网络

2.2.3 图像的几个不变性

2.2.4 卷积

2.2.5 池化

2.2.6 Inception

2.2.7 Flatten层和全连接层

2.2.8 跳层连接

2.2.9 经典CNN

2.3 RNN

2.3.1 RNN结构

2.3.2 基本结构与前向传播

2.3.3 BPTT

2.3.4 LSTM

2.3.5 RNN拓展

2.4 最优化算法

2.4.1 梯度下降

2.4.2 Adam

2.5 本章小结

第3章 TensorFlow基础

3.1 TensorFlow

3.2 获取与安装

3.3 变量及作用域

3.4 构建计算图

3.5 全连接网络构建

3.6 CNN构建

3.7 RNN构建

3.8 多架构运行

3.8.1 GPU使用

3.8.2 多CPU使用

3.9 队列使用

3.10 本章小结

第4章 TensorFlow进阶

4.1 TensorFlow架构与原理

4.2 TensorFlow扩展

4.2.1 TF Layers

4.2.2 TF Slim

4.2.3 TFLearn

4.2.4 Keras

4.3 Tensorboard与问题监控

4.4 改善深度神经网络

4.5 性能优化建议

4.6 深度神经网络结构

4.6.1 Inception结构

4.6.2 ResNet结构

4.6.3 Seq2Seq结构

4.6.4 Attention

4.7 本章小结

第5章 语音识别器

5.1 任务分析

5.2 数据与特征分析

5.2.1 语音数据库

5.2.2 语音数据特征

5.3 主流语音识别网络结构

5.3.1 用于语音识别的CNN

5.3.2 用于语音识别的RNN

5.4 CTC Loss

5.5 文本向量化

5.5.1 英文文本向量化

5.5.2 中文文本向量化

5.5.3 文本标签比对

5.6 完整构建神经网络

5.6.1 构建CNN识别网络

5.6.2 用于语音识别的RNN

5.7 数据训练

5.8 参数调优

5.9 实际数据分析

5.10 本章小结

第6章 对话机器人

6.1 对话机器人概述与应用领域

6.2 对话机器人主流技术

6.2.1 基于模板的对话机器人

6.2.2 基于检索技术的对话机器人

6.2.3 基于深度学习的对话机器人

6.3 对话机器人的前沿与功能扩展

6.4 深度学习对话机器人原理

6.5 构建对话机器人

6.5.1 Bot界面与交互

6.5.2 语料预处理

6.5.3 模型构建

6.5.4 训练流程

6.5.5 在线推断

6.6 本章小结

第7章 人脸识别器

7.1 任务分析

7.2 Detection、Aliment与Identify

7.3 数据特征分析

7.3.1 人脸位置和范围数据

7.3.2 人脸关键点数据

7.3.3 人脸识别数据库

7.4 haar分类器方式

7.4.1 固定特征的提取

7.4.2 分类器

7.4.3 代码实现

7.5 神经网络方法演进

7.6 人脸识别网络构建

7.6.1 人脸检测网络MTCNN

7.6.2 用于人脸检测的GoogleNet

7.7 主流人脸识别网络差异分析

7.8 TensorFlow搭建网络

7.9 参数调优

7.10 实战分析

7.11 本章小结

第8章 自动驾驶

8.1 自动驾驶的介绍与应用领域

8.1.1 自动驾驶的应用场景

8.1.2 自动驾驶分级

8.2 自动驾驶技术

8.2.1 端到端的自动驾驶历史

8.2.2 底层硬件支撑技术平台

8.3 深度增强学习

8.4 行车检测

8.4.1 物体检测

8.4.2 YOLO模型

8.4.3 车辆图像数据探索

8.4.4 车辆视频数据预处理

8.4.5 迁移学习

8.4.6 模型推断

8.4.7 绘制检测结果

8.5 端到端自动驾驶

8.5.1 英伟达End to End模型

8.5.2 评估指标

8.5.3 数据分析

8.5.4 读入视频,并处理图像

8.5.5 深度学习模型构建与训练

8.5.6 可视化结果

8.6 本章小结

8.7 参考资料

第9章 可视化实践

9.1 可视化发展

9.2 可视化过程

9.3 Matplotlib

9.4 ECharts

9.5 可视化实践

9.6 三维可视化

9.7 动态可视化

9.8 本章小结

第10章 优化实践

10.1 通用深度神经网络训练优化建议

10.1.1 过拟合与欠拟合

10.1.2 数据增强

10.1.3 梯度消失

10.1.4 初始化权值

10.1.5 优化算法

10.1.6 超参数选择

10.2 深度学习系统性能优化建议

10.2.1 输入及预处理流水线优化

10.2.2 数据格式

10.2.3 编译优化

10.2.4 GPU性能瓶颈诊断

10.2.5 CPU瓶颈优化

10.2.6 模型压缩

10.3 工程实践建议

10.3.1 Model格式转换

10.3.2 迁移学习

10.3.3 在线推断TensorFlow Serving

10.4 本章小结

累计评论(0条) 0个书友正在讨论这本书 发表评论

发表评论

发表评论,分享你的想法吧!

买过这本书的人还买过

读了这本书的人还在读

回顶部