Python深度學習：模型、方法與實現

《Python深度學習：模型、方法與實現》是機械工業出版社出版圖書。

基本介紹

• 書名：Python深度學習：模型、方法與實現
• 作者：伊凡·瓦西列夫
• 譯者：冀振燕、趙子涵、劉偉、劉冀、瑞董為
• 出版社：機械工業出版社
• 出版時間：2021年10月1日
• 頁數：316 頁
• 開本：16 開
• 裝幀：平裝
• ISBN：9787111688457
• 正文語種：中文

內容簡介

本書集合了基於套用領域的高級深度學習的模型、方法和實現。本書分為四部分。第1部分介紹了深度學習的構建和神經網路背後的數學知識。第二部分討論深度學習在計算機視覺領域的套用。第三部分闡述了自然語言和序列處理。講解了使用神經網路提取複雜的單詞向量表示。討論了各種類型的循環網路，如長短期記憶網路和門控循環單元網路。第四部分介紹一些雖然還沒有被廣泛採用但有前途的深度學習技術，包括如何在自動駕駛上套用深度學習。學完本書，讀者將掌握與深度學習相關的關鍵概念，學會如何使用TensorFlow和PyTorch實現相應的AI解決方案。

目錄

譯者序

前言

作者簡介

審校者簡介

第一部分核心概念

第1章神經網路的具體細節2

1.1神經網路的數學基礎2

1.1.1線性代數2

1.1.2機率介紹6

1.1.3微分學16

1.2神經網路的簡單介紹18

1.2.1神經元18

1.2.2層的運算19

1.2.3神經網路21

1.2.4激活函式22

1.2.5通用逼近定理25

1.3訓練神經網路27

1.3.1梯度下降27

1.3.2代價函式28

1.3.3反向傳播30

1.3.4權重初始化32

1.3.5SGD改進33

1.4總結35

第二部分計算機視覺

第2章理解卷積網路38

2.1理解CNN38

2.1.1卷積類型43

2.1.2提高CNN的效率46

2.1.3可視化CNN51

2.1.4CNN正則化54

2.2遷移學習介紹56

2.2.1使用PyTorch實現遷移學習57

2.2.2使用TensorFlow 2.0實現遷移學習62

2.3總結66

第3章高級卷積網路67

3.1AlexNet介紹67

3.2VGG介紹68

3.3理解殘差網路70

3.4理解Inception網路78

3.4.1Inception v179

3.4.2Inception v2和v380

3.4.3Inception v4和InceptionResNet81

3.5Xception介紹82

3.6MobileNet介紹83

3.7DenseNet介紹85

3.8神經架構搜尋的工作原理87

3.9膠囊網路介紹91

3.9.1卷積網路的局限性91

3.9.2膠囊92

3.9.3膠囊網路的結構94

3.10總結95

第4章對象檢測與圖像分割96

4.1對象檢測介紹96

4.1.1對象檢測的方法96

4.1.2使用YOLO v3進行對象檢測98

4.1.3使用Faster RCNN進行對象檢測104

4.2圖像分割介紹110

4.2.1使用UNet進行語義分割110

4.2.2使用Mask RCNN進行實例分割112

4.3總結115

第5章生成模型116

5.1生成模型的直覺和證明116

5.2VAE介紹117

5.3GAN介紹124

5.3.1訓練GAN125

5.3.2實現GAN128

5.3.3訓練GAN的缺陷129

5.4GAN的類型129

5.4.1DCGAN130

5.4.2CGAN135

5.4.3WGAN137

5.4.4使用CycleGAN實現圖像到圖像的轉換142

5.5藝術風格遷移介紹150

5.6總結151

第三部分自然語言和序列處理

第6章語言建模154

6.1理解ngram154

6.2神經語言模型介紹156

6.2.1神經機率語言模型157

6.2.2word2vec158

6.2.3GloVe模型161

6.3實現語言模型164

6.3.1訓練嵌入模型164

6.3.2可視化嵌入向量166

6.4總結169

第7章理解RNN170

7.1RNN介紹170

7.2長短期記憶介紹180

7.3門控循環單元介紹187

7.4實現文本分類189

7.5總結193

第8章seq2seq模型和注意力機制194

8.1seq2seq模型介紹194

8.2使用注意力的seq2seq196

8.2.1Bahdanau Attention196

8.2.2Luong Attention199

8.2.3一般注意力200

8.2.4使用注意力實現seq2seq201

8.3理解transformer207

8.3.1transformer注意力207

8.3.2transformer模型210

8.3.3實現transformer212

8.4transformer語言模型219

8.4.1基於transformer的雙向編碼器表示219

8.4.2transformerXL224

8.4.3XLNet227

8.4.4使用transformer語言模型生成文本230

8.5總結231

第四部分展望未來

第9章新興的神經網路設計234

9.1GNN介紹234

9.1.1循環GNN236

9.1.2卷積圖神經網路238

9.1.3圖自編碼器244

9.1.4神經圖學習246

9.2記憶增強神經網路介紹251

9.2.1神經圖靈機251

9.2.2MANN*256

9.3總結257

第10章元學習258

10.1元學習介紹258

10.1.1零樣本學習259

10.1.2單樣本學習260

10.1.3元訓練和元測試261

10.2基於度量的元學習262

10.2.1為單樣本學習匹配網路263

10.2.2孿生網路264

10.2.3原型網路267

10.3基於最佳化的元學習269

10.4總結274

第11章自動駕駛汽車的深度學習275

11.1自動駕駛汽車介紹275

11.1.1自動駕駛汽車研究簡史275

11.1.2自動化的級別277

11.2自動駕駛汽車系統的組件278

11.2.1環境感知280

11.2.2路徑規劃282

11.33D數據處理介紹282

11.4模仿駕駛策略285

11.5ChauffeurNet駕駛策略294

11.5.1輸入/輸出表示294

11.5.2模型架構296

11.5.3訓練297

11.6總結300