深度學習理論與實戰：基礎篇

內容簡介

《深度學習理論與實戰：基礎篇》不僅包含人工智慧、機器學習及深度學習的基礎知識，如卷積神經網路、循環神經網路、生成對抗網路等，而且也囊括了學會使用 TensorFlow、PyTorch 和 Keras 這三個主流的深度學習框架的最小知識量；不僅有針對相關理論的深入解釋，而且也有實用的技巧，包括常見的最佳化技巧、使用多 GPU 訓練、調試程式及將模型上線到生產系統中。

《深度學習理論與實戰：基礎篇》希望同時兼顧理論和實戰，使讀者既能深入理解理論知識，又能把理論知識用於實戰，因此本書每介紹完一個模型都會介紹其實現，讀者閱讀完一個模型的介紹之後就可以運行、閱讀和修改相關代碼，從而可以更加深刻地理解理論知識。

回顧人工智慧幾十年經歷過的起起落落，希望對人工智慧及深度學習感興趣的讀者通過本書的學習能夠更加理性、更加全面地看待這個行業，理解人工智慧尤其是深度學習的原理並套用，根據當前的技術現狀合理地套用深度學習去改變人們的工作、生活和學習。

文章目錄

第1章人工智慧的基本概念
1.1人工智慧的發展歷史1
1.2機器學習4
1.3常見的監督學習模型8
1.4衡量指標16
1.5損失函式17
1.6最佳化18
1.7過擬合20
1.8機器學習示例:線性回歸22
第2章神經網路27
2.1手寫數字識別問題27
2.2單個神經元和多層神經網路30
2.3用代碼實戰多層神經網路33
2.4多層神經網路構建代碼解析33
2.5反向傳播算法的推導39
2.6代碼實現反向傳播算法47
2.7為什麼反向傳播算法是一個高效的算法50

2.8最佳化技巧50

第3章卷積神經網路59

3.1卷積神經網路簡介59

3.2局部感知域59

3.3特徵映射62

3.4池化63

3.5構建完整的卷積神經網路65

3.6填充和步長65

3.7CNN識別 MNIST手寫數字66

3.8CNN模型識別 CIFAR-10圖像7

3.9使用殘差網路識別 MNIST圖像92

第4章循環神經網路101

4.1基本概念101

4.2RNN的擴展102

4.3 Word embedding簡介103

4.4姓名分類104

4.5RNN生成莎士比亞風格句子114
4.6機器翻譯123
4.7漢語一英語翻譯的批量訓練146
第5章生成對抗網路156
5.1為什麼研究生成模型156
5.2生成模型的原理以及GAN與其他生成模型的區別159
5.3GAN的原理165
5.4深度卷積生成對抗網路168
5.5反卷積168
5.6DCGAN實戰175
第6章Tensorflow196
6.1Tensorflow簡介196
6.2Optimizer219
6.3數據的處理和輸入226
6.4常見網路結構250
6.5RNN在Tensorflow中的實現258
6.6Tensorboard276

深度學習理論與實戰：基礎篇

基本介紹

內容簡介

文章目錄

相關詞條

熱門詞條