掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習 版權信息
- ISBN：9787111771616
- 條形碼：9787111771616 ; 978-7-111-77161-6
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習 本書特色
本書遵循教指委相關指導文件和高等院校學生學習規律編寫而成。踐行四新理念，融入思政元素，注重理論與實踐相結合。
深度學習 內容簡介
本書是一本體系完整、算法和案例豐富的人工智能類教材。本書系統地講解深度學習的理論與方法，主要內容包括緒論、深度學習基礎、卷積神經網絡、循環神經網絡、深度序列模型、深度生成網絡、圖神經網絡、注意力機制、深度強化學習、深度遷移學習、無監督深度學習。本書通過豐富的實例講解方法的應用；強調深度學習的系統性、方法的時效性，同時針對深度學習快速發展的特點，講解深度學習的*新技術，本書配備了實例的數字化資源，供學習者下載。 本書既可以作為國內各高等學校、科研院所本科生、研究生的教材，也可以供國內外從事深度學習的研究人員和工程人員使用。 本書配有電子課件，歡迎選用本書作教材的教師登錄www.compedu.com 注冊后下載。
深度學習深度學習 前言
前言
隨著科技的飛速發展，人工智能（AI）已經成為這個時代*引人注目的科技之一。在AI的眾多分支中，深度學習（Deep Learning）憑借其強大的特征提取能力和對數據內在模式的精確建模，已經成為推動AI技術不斷突破的關鍵力量。為此，我們編寫了這本《深度學習》教材，系統地介紹深度學習的理論與方法。本書旨在為讀者提供一個全面而深入的深度學習知識體系。本書從深度學習的基礎知識出發，逐步深入到各種先進的網絡結構和算法，力求讓讀者在掌握基本理論的同時，能夠了解深度學習的*新發展和應用。
深度學習 目錄
目錄
序
前言
第1章緒論
1.1深度學習簡介
1.2深度學習的發展歷史
1.2.1深度學習技術的發展歷史
1.2.2深度學習產業應用的變遷史
1.3深度學習的分類
1.3.1任務類型
1.3.2模型類型
1.4度量指標
1.4.1回歸任務指標
1.4.2分類任務指標
1.4.3生成任務指標
本章小結
思考題與習題
參考文獻
第2章深度學習基礎
2.1線性代數
2.1.1標量和向量
2.1.2矩陣和張量
2.1.3矩陣計算
2.1.4范數
2.2微積分
2.2.1導數和微分
2.2.2偏導數和梯度
2.2.3鏈式法則
2.3概率論
2.3.1概率分布
2.3.2期望和方差
2.3.3條件概率和聯合概率
2.3.4全概率公式與貝葉斯定理
2.3.5邊緣概率分布
2.4距離與相似度計算
2.4.1常見的距離計算
2.4.2常見的相似度計算
2.5激活函數
2.6感知機與多層感知機
2.6.1感知機
2.6.2多層感知機
2.7反向傳播算法
本章小結
思考題與習題
參考文獻
第3章卷積神經網絡
3.1簡介
3.1.1基本概念
3.1.2發展歷程
3.2基礎模塊
3.2.1端到端架構
3.2.2輸入層
3.2.3卷積層
3.2.4池化層
3.2.5激活層
3.2.6全連接層
3.2.7目標函數
3.3典型卷積神經網絡
3.3.1LeNet-5
3.3.2AlexNet
3.3.3VGGNet
3.3.4GoogLeNet
3.3.5ResNet
3.3.6R-CNN系列
3.3.7YOLO系列
3.3.8MobileNet
3.3.9Conformer
3.4各種卷積
3.4.12D卷積
3.4.23D卷積
3.4.31×1卷積
3.4.4空間可分離卷積
3.4.5深度可分離卷積
3.4.6分組卷積
3.4.7擴張卷積
3.5卷積神經網絡實例
3.5.1實例背景
3.5.2數據準備
3.5.3模型構建與訓練
3.5.4模型評估與調整
本章小結
思考題與習題
參考文獻
第4章循環神經網絡
4.1循環神經網絡的結構
4.2循環神經網絡的訓練
4.2.1損失函數
4.2.2時間反向傳播算法
4.2.3梯度消失與梯度爆炸
4.3雙向循環神經網絡與深度循環神經網絡
4.4長短期記憶網絡
4.4.1LSTM記憶單元
4.4.2LSTM記憶方式
4.5門控循環單元
4.6遞歸神經網絡
4.7雙向長短期記憶網絡與雙向門控循環單元
4.8應用實例
4.8.1實例背景
4.8.2基本流程
本章小結
思考題與習題
參考文獻
第5章深度序列模型
5.1深度序列模型概述
5.1.1深度序列模型結構
5.1.2序列生成模型解決的問題
5.2編碼器-解碼器架構
5.3序列到序列模型
5.4融入注意力機制的序列到序列模型
5.5Transformer架構
5.5.1Transformer的輸入
5.5.2Transformer編碼器
5.5.3Transformer解碼器
5.6Transformer變體
5.6.1Transformer的模塊變體
5.6.2Transformer的應用變體
5.7深度序列模型實例
5.7.1實例背景
5.7.2數據準備
5.7.3模型構建
5.7.4模型訓練與應用
本章小結
思考題與習題
參考文獻
第6章深度生成網絡
6.1深度生成模型簡介
6.2基于玻爾茲曼機的方法
6.2.1受限玻爾茲曼機
6.2.2深度置信網絡
6.2.3深度玻爾茲曼機
6.3基于變分自動編碼器的方法
6.3.1VAE模型的基本原理
6.3.2幾種重要的VAE結構
6.4基于生成對抗網絡的方法
6.4.1生成對抗網絡的基本原理
6.4.2生成對抗網絡的穩定性研究
6.4.3生成對抗網絡的結構發展
6.5基于流模型的方法
6.5.1流模型的基本原理
6.5.2常規流
6.5.3流模型的衍生結構
6.6基于擴散模型的方法
6.6.1擴散模型的基本原理
6.6.2條件擴散模型的技術方案
6.7基于自回歸網絡的方法
6.7.1自回歸網絡的基本原理
6.7.2自回歸網絡的衍生結構
6.8大語言模型
6.8.1模型架構
6.8.2常用大模型
6.8.3預訓練大語言模型的優化技巧
6.9深度生成模型實例
本章小結
思考題與習題
參考文獻
第7章圖神經網絡
7.1圖神經網絡概述
7.1.1圖神經網絡的發展起源
7.1.2圖神經網絡的設計
7.1.3圖神經網絡計算模塊
7.2圖卷積神經網絡
7.2.1基于譜的方法
7.2.2基于空間的方法
7.3圖循環網絡
7.3.1基于門控循環單元的方法
7.3.2基于長短期記憶網絡的方法
7.4圖注意力網絡
7.4.1基于自注意力的方法
7.4.2基于層注意力的方法
7.5圖神經網絡實例
7.5.1實例背景
7.5.2數據準備
7.5.3模型構建與訓練
本章小結
思考題與習題
參考文獻
第8章注意力機制
8.1注意力機制簡介
8.1.1基本概念
8.1.2發展歷程
8.2注意力模型基本架構
8.3注意力機制分類
8.3.1一般模式注意力
8.3.2鍵值對模式注意力
8.3.3多頭注意力
8.4注意力模型
8.4.1通道&空間注意力
8.4.2混合注意力
8.4.3自注意力
8.4.4類別注意力
8.4.5時間注意力
8.4.6頻率注意力
8.4.7全局注意力
8.5注意力機制實例
8.5.1實例背景
8.5.2數據準備
8.5.3模型構建與訓練
8.5.4模型評估與調整
8.5.5實例運行結果
本章小結
思考題與習題
參考文獻
第9章深度強化學習
9.1強化學習基本概念
9.1.1強化學習基礎框架
9.1.2強化學習關鍵要素
9.1.3馬爾可夫決策過程
9.2深度價值學習
9.2.1DQN
9.2.2TD算法
9.2.3噪聲DQN
9.3深度策略學習
9.3.1策略梯度
9.3.2策略梯度理論證明
9.3.3REINFORCE算法
9.3.4Actor-Critic學習
9.3.5帶基線的策略梯度方法
9.4模仿學習
9.4.1模仿學習基礎
9.4.2逆強化學習
9.5基于人類反饋的強化學習
9.6深度強化學習實例
9.6.1實例背景
9.6.2環境準備
9.6.3模型構建
9.6.4模型訓練
本章小結
思考題與習題
參考文獻
第10章深度遷移學習
10.1遷移學習
10.1.1深度遷移學習簡介
10.1.2深度遷移學習分類
10.2基于微調的方法
10.3基于凍結CNN層的方法
10.4漸進式學習方法
10.5基于對抗思想的方法
10.6相關數據集
10.7深度遷移學習實例
10.7.1背景
10.7.2數據準備
10.7.3模型構建與訓練
本章小結
思考題與習題
參考文獻
第11章無監督深度學習
11.1概述
11.2基于掩碼的任務
11.3基于語言模型的任務
11.4基于時序的任務
11.5基于對比學習的任務
11.6經典無監督深度學習模型
11.6.1掩碼自動編碼器
11.6.2BERT模型
11.6.3GPT模型
11.6.4BEiT模型
11.6.5SimCLR模型
11.7無監督深度學習實例
11.7.1數據準備
11.7.2模型構建
11.7.3模型訓練
本章小結
思考題與習題
參考文獻
序
前言
第1章緒論
1.1深度學習簡介
1.2深度學習的發展歷史
1.2.1深度學習技術的發展歷史
1.2.2深度學習產業應用的變遷史
1.3深度學習的分類
1.3.1任務類型
1.3.2模型類型
1.4度量指標
1.4.1回歸任務指標
1.4.2分類任務指標
1.4.3生成任務指標
本章小結
思考題與習題
參考文獻
第2章深度學習基礎
2.1線性代數
2.1.1標量和向量
2.1.2矩陣和張量
2.1.3矩陣計算
2.1.4范數
2.2微積分
2.2.1導數和微分
2.2.2偏導數和梯度
2.2.3鏈式法則
2.3概率論
2.3.1概率分布
2.3.2期望和方差
2.3.3條件概率和聯合概率
2.3.4全概率公式與貝葉斯定理
2.3.5邊緣概率分布
2.4距離與相似度計算
2.4.1常見的距離計算
2.4.2常見的相似度計算
2.5激活函數
2.6感知機與多層感知機
2.6.1感知機
2.6.2多層感知機
2.7反向傳播算法
本章小結
思考題與習題
參考文獻
第3章卷積神經網絡
3.1簡介
3.1.1基本概念
3.1.2發展歷程
3.2基礎模塊
3.2.1端到端架構
3.2.2輸入層
3.2.3卷積層
3.2.4池化層
3.2.5激活層
3.2.6全連接層
3.2.7目標函數
3.3典型卷積神經網絡
3.3.1LeNet-5
3.3.2AlexNet
3.3.3VGGNet
3.3.4GoogLeNet
3.3.5ResNet
3.3.6R-CNN系列
3.3.7YOLO系列
3.3.8MobileNet
3.3.9Conformer
3.4各種卷積
3.4.12D卷積
3.4.23D卷積
3.4.31×1卷積
3.4.4空間可分離卷積
3.4.5深度可分離卷積
3.4.6分組卷積
3.4.7擴張卷積
3.5卷積神經網絡實例
3.5.1實例背景
3.5.2數據準備
3.5.3模型構建與訓練
3.5.4模型評估與調整
本章小結
思考題與習題
參考文獻
第4章循環神經網絡
4.1循環神經網絡的結構
4.2循環神經網絡的訓練
4.2.1損失函數
4.2.2時間反向傳播算法
4.2.3梯度消失與梯度爆炸
4.3雙向循環神經網絡與深度循環神經網絡
4.4長短期記憶網絡
4.4.1LSTM記憶單元
4.4.2LSTM記憶方式
4.5門控循環單元
4.6遞歸神經網絡
4.7雙向長短期記憶網絡與雙向門控循環單元
4.8應用實例
4.8.1實例背景
4.8.2基本流程
本章小結
思考題與習題
參考文獻
第5章深度序列模型
5.1深度序列模型概述
5.1.1深度序列模型結構
5.1.2序列生成模型解決的問題
5.2編碼器-解碼器架構
5.3序列到序列模型
5.4融入注意力機制的序列到序列模型
5.5Transformer架構
5.5.1Transformer的輸入
5.5.2Transformer編碼器
5.5.3Transformer解碼器
5.6Transformer變體
5.6.1Transformer的模塊變體
5.6.2Transformer的應用變體
5.7深度序列模型實例
5.7.1實例背景
5.7.2數據準備
5.7.3模型構建
5.7.4模型訓練與應用
本章小結
思考題與習題
參考文獻
第6章深度生成網絡
6.1深度生成模型簡介
6.2基于玻爾茲曼機的方法
6.2.1受限玻爾茲曼機
6.2.2深度置信網絡
6.2.3深度玻爾茲曼機
6.3基于變分自動編碼器的方法
6.3.1VAE模型的基本原理
6.3.2幾種重要的VAE結構
6.4基于生成對抗網絡的方法
6.4.1生成對抗網絡的基本原理
6.4.2生成對抗網絡的穩定性研究
6.4.3生成對抗網絡的結構發展
6.5基于流模型的方法
6.5.1流模型的基本原理
6.5.2常規流
6.5.3流模型的衍生結構
6.6基于擴散模型的方法
6.6.1擴散模型的基本原理
6.6.2條件擴散模型的技術方案
6.7基于自回歸網絡的方法
6.7.1自回歸網絡的基本原理
6.7.2自回歸網絡的衍生結構
6.8大語言模型
6.8.1模型架構
6.8.2常用大模型
6.8.3預訓練大語言模型的優化技巧
6.9深度生成模型實例
本章小結
思考題與習題
參考文獻
第7章圖神經網絡
7.1圖神經網絡概述
7.1.1圖神經網絡的發展起源
7.1.2圖神經網絡的設計
7.1.3圖神經網絡計算模塊
7.2圖卷積神經網絡
7.2.1基于譜的方法
7.2.2基于空間的方法
7.3圖循環網絡
7.3.1基于門控循環單元的方法
7.3.2基于長短期記憶網絡的方法
7.4圖注意力網絡
7.4.1基于自注意力的方法
7.4.2基于層注意力的方法
7.5圖神經網絡實例
7.5.1實例背景
7.5.2數據準備
7.5.3模型構建與訓練
本章小結
思考題與習題
參考文獻
第8章注意力機制
8.1注意力機制簡介
8.1.1基本概念
8.1.2發展歷程
8.2注意力模型基本架構
8.3注意力機制分類
8.3.1一般模式注意力
8.3.2鍵值對模式注意力
8.3.3多頭注意力
8.4注意力模型
8.4.1通道&空間注意力
8.4.2混合注意力
8.4.3自注意力
8.4.4類別注意力
8.4.5時間注意力
8.4.6頻率注意力
8.4.7全局注意力
8.5注意力機制實例
8.5.1實例背景
8.5.2數據準備
8.5.3模型構建與訓練
8.5.4模型評估與調整
8.5.5實例運行結果
本章小結
思考題與習題
參考文獻
第9章深度強化學習
9.1強化學習基本概念
9.1.1強化學習基礎框架
9.1.2強化學習關鍵要素
9.1.3馬爾可夫決策過程
9.2深度價值學習
9.2.1DQN
9.2.2TD算法
9.2.3噪聲DQN
9.3深度策略學習
9.3.1策略梯度
9.3.2策略梯度理論證明
9.3.3REINFORCE算法
9.3.4Actor-Critic學習
9.3.5帶基線的策略梯度方法
9.4模仿學習
9.4.1模仿學習基礎
9.4.2逆強化學習
9.5基于人類反饋的強化學習
9.6深度強化學習實例
9.6.1實例背景
9.6.2環境準備
9.6.3模型構建
9.6.4模型訓練
本章小結
思考題與習題
參考文獻
第10章深度遷移學習
10.1遷移學習
10.1.1深度遷移學習簡介
10.1.2深度遷移學習分類
10.2基于微調的方法
10.3基于凍結CNN層的方法
10.4漸進式學習方法
10.5基于對抗思想的方法
10.6相關數據集
10.7深度遷移學習實例
10.7.1背景
10.7.2數據準備
10.7.3模型構建與訓練
本章小結
思考題與習題
參考文獻
第11章無監督深度學習
11.1概述
11.2基于掩碼的任務
11.3基于語言模型的任務
11.4基于時序的任務
11.5基于對比學習的任務
11.6經典無監督深度學習模型
11.6.1掩碼自動編碼器
11.6.2BERT模型
11.6.3GPT模型
11.6.4BEiT模型
11.6.5SimCLR模型
11.7無監督深度學習實例
11.7.1數據準備
11.7.2模型構建
11.7.3模型訓練
本章小結
思考題與習題
參考文獻
展開全部
書友推薦
- >
羅庸西南聯大授課錄
- >
小考拉的故事-套裝共3冊
- >
山海經
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
- >
李白與唐代文化
- >
【精裝繪本】畫給孩子的中國神話
- >
上帝之肋:男人的真實旅程
- >
莉莉和章魚
本類暢銷
