Python 深度學習實戰:75個有關神經網絡建模、強化學習與遷移學習的解決方案(Python 深度學習 強化學習 遷移學習) ( 簡體 字) |
作者:英德拉.丹.巴克 | 類別:1. -> 程式設計 -> Python 2. -> 程式設計 -> 深度學習 |
譯者: |
出版社:機械工業出版社 | 3dWoo書號: 49415 詢問書籍請說出此書號!【缺書】 NT售價: 395 元 |
出版日:7/9/2018 |
頁數:252 |
光碟數:0 |
|
站長推薦: |
印刷:黑白印刷 | 語系: ( 簡體 版 ) |
|
加入購物車 │加到我的最愛 (請先登入會員) |
ISBN:9787111598725 |
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證) |
作者序: |
譯者序: |
前言: |
內容簡介:本書以自上而下和自下而上的方法來展示針對不同領域實際問題的深度學習解決方案,包括圖像識別、自然語言處理、時間序列預測和機器人操縱等。還討論了采用諸如TensorFlow、PyTorch、Keras和CNTK等流行的深度學習開源框架用于實際問題的解決方案及其優缺點。本書內容包括:用于深度學習的編程環境、GPU計算和云端解決方案;前饋神經網絡與卷積神經網絡;循環與遞歸神經網絡;強化學習與生成對抗網絡;深度學習用于計算機視覺、自然語言處理、語音識別、視頻分析、時間序列預測、結構化數據分析以及游戲智能體(Agents)和機器人操控等。后討論了深度學習的超參數選擇和神經網絡的內在結構以及預訓練模型的使用技巧等。 |
目錄:譯者序 原書前言 第 1章 編程環境、GPU計算、云解決方案和深度學習框架 //1 1.1 簡介 //1 1.2 搭建一個深度學習環境 //2 1.3 在 AWS上啟動實例 //2 1.4 在 GCP上啟動實例 //3 1.5 安裝 CUDA和 cuDNN //4 1.6 安裝 Anaconda和庫文件 //6 1.7 連接服務器上的 Jupyter Notebooks //7 1.8 用 TensorFlow構建最先進的即用模型 //8 1.9 直觀地用 Keras建立網絡 //10 1.10 使用 PyTorch的 RNN動態計算圖 //12 1.11 用 CNTK實現高性能模型 //14 1.12 使用 MXNet構建高效的模型 //15 1.13 使用簡單、高效的 Gluon編碼定義網絡 //17 第 2章 前饋神經網絡 //19 2.1 簡介 //19 2.2 理解感知器 //19 2.3 實現一個單層神經網絡 //23 2.4 構建一個多層神經網絡 //27 2.5 開始使用激活函數 //30 2.6 關于隱層和隱層神經元的實驗 //35 2.7 實現一個自動編碼器 //38 2.8 調整損失函數 //41 2.9 測試不同的優化器 //44 2.10 使用正則化技術提高泛化能力 //47 2.11 添加 Dropout以防止過擬合 //51 第 3章 卷積神經網絡 //56 3.1 簡介 //56 3.2 開始使用濾波器和參數共享 //56 3.3 應用層合并技術 //60 3.4 使用批量標準化進行優化 //62 3.5 理解填充和步長 //66 3.6 試驗不同類型的初始化 //72 3.7 實現卷積自動編碼器 //76 3.8 將一維 CNN應用于文本 //79 第 4章 遞歸神經網絡 //81 4.1 簡介 //81 4.2 實現一個簡單的 RNN //82 4.3 添加 LSTM //84 4.4 使用 GRU //86 4.5 實現雙向 RNN //89 4.6 字符級文本生成 //91 第 5章 強化學習 //95 5.1 簡介 //95 5.2 實現策略梯度 //95 5.3 實現深度Q學習算法 //102 第 6章 生成對抗網絡 //109 6.1 簡介 //109 6.2 了解 GAN //109 6.3 實現 DCGAN //112 6.4 使用 SRGAN來提高圖像分辨率 //117 第 7章 計算機視覺 //125 7.1 簡介 //125 7.2 利用計算機視覺技術增廣圖像 //125 7.3 圖像中的目標分類 //130 7.4 目標在圖像中的本地化 //134 7.5 實時檢測框架 //139 7.6 用 U-net將圖像分類 //139 7.7 語義分割與場景理解 //143 7.8 尋找人臉面部關鍵點 //147 7.9 人臉識別 //151 7.10 將樣式轉換為圖像 //157 第 8章 自然語言處理 //162 8.1 簡介 //162 8.2 情緒分析 //162 8.3 句子翻譯 //165 8.4 文本摘要 //169 第 9章 語音識別和視頻分析 //174 9.1 簡介 //174 9.2 從零開始實現語音識別流程 //174 9.3 使用語音識別技術辨別講話人 //177 9.4 使用深度學習理解視頻 //181 第 10章 時間序列和結構化數據 //185 10.1 簡介 //185 10.2 使用神經網絡預測股票價格 //185 10.3 預測共享單車需求 //189 10.4 使用淺層神經網絡進行二元分類 //192 第 11章 游戲智能體和機器人 //194 11.1 簡介 //194 11.2 通過端到端學習來駕駛汽車 //194 11.3 通過深度強化學習來玩游戲 //199 11.4 用 GA優化超參數 //205 第 12章 超參數選擇、調優和神經網絡學習 //211 12.1 簡介 //211 12.2 用 TensorBoard和 Keras可視化訓練過程 //211 12.3 使用批量和小批量工作 //215 12.4 使用網格搜索調整參數 //219 12.5 學習率和學習率調度 //221 12.6 比較優化器 //224 12.7 確定網絡的深度 //227 12.8 添加 Dropout以防止過擬合 //227 12.9 通過數據增廣使模型更加魯棒 //232 12.10 利用 TTA來提高精度 //234 第 13章 網絡內部構造 //235 13.1 簡介 //235 13.2 用 TensorBoard可視化訓練過程 //235 13.3 用 TensorBoard可視化網絡結構 //239 13.4 分析網絡權重等 //239 13.5 凍結層 //244 13.6 存儲網絡結構并訓練權重 //246 第 14章 預訓練模型 //250 14.1 簡介 //250 14.2 使用 GoogLeNet/Inception進行大規模視覺識別 //250 14.3 用 ResNet提取瓶頸特征 //252 14.4 對新類別使用預訓練的 VGG模型 //253 14.5 用 Xception細調 //256 |
序: |