有别于以卷积神经网络、循环神经网络等基础概念为核心的同类书籍,本书梳理了近10年来深度学习方向诞生的算法,从算法理论、算法源码、实验结果等方面对算法行分析和介绍,重讨论深度学习在卷积神经网络、自然语言处理、模型优化等方向的发展历程以及各个算法的优缺,分析各个算法是如何针对先前算法的若干问题提出解决方案的。 本书共三篇,篇卷积神经网络,从基础骨干网络、轻量级CNN、模型架构搜索3个方向展,介绍计算机视觉方向的里程碑算法;第二篇自然语言处理,介绍基础序列模型和模型预训练;第三篇模型优化,介绍模型优化方法。
售 价:¥
纸质售价:¥104.30购买纸书
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
内 容 提 要
序1
序2
前 言
资源与支持
第一篇 卷积神经网络
第1章 基础骨干网络
1.1 起源:LeNet-5和AlexNet
1.2 更深:VGG
1.3 更宽:GoogLeNet
1.4 跳跃连接:ResNet
1.5 注意力:SENet
1.6 更密:DenseNet
1.7 模型集成:DPN
1.8 像素向量:iGPT
1.9 Visual Transformer之Swin Transformer
1.10 Vision Transformer之CSWin Transformer
1.11 MLP? :MLP-Mixer
第2章 轻量级CNN
2.1 SqueezeNet
2.2 MobileNet v1和MobileNet v2
2.3 Xception
2.4 ResNeXt
2.5 ShuffleNet v1和ShuffleNet v2
2.6 CondenseNet
第3章 模型架构搜索
3.1 PolyNet
3.2 NAS
3.3 NASNet
3.4 PNASNet
3.5 AmoebaNet
3.6 MnasNet
3.7 MobileNet v3
3.8 EfficientNet v1
3.9 EfficientNet v2
3.10 RegNet
第二篇 自然语言处理
第4章 基础序列模型
4.1 LSTM和GRU
4.2 注意力机制
4.3 Transformer
4.4 Transformer-XL
第5章 模型预训练
5.1 RNN语言模型
5.2 ELMo
5.3 GPT-1、GPT-2和GPT-3
5.4 BERT
5.5 BERT“魔改”之RoBERTa、ALBERT、MT-DNN和XLM
5.6 XLNet
5.7 ERNIE(清华大学)
5.8 ERNIE(百度)和ERNIE 2.0
第三篇 模型优化
第6章 模型优化方法
6.1 Dropout
6.2 BN
6.3 LN
6.4 WN
6.5 IN
6.6 GN
6.7 SN
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