-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習:核心技術、工具與案例解析

( 簡體 字)
作者:高彥杰 于子葉類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:機械工業出版社深度學習:核心技術、工具與案例解析 3dWoo書號: 49541
詢問書籍請說出此書號!

缺書
NT售價: 345

出版日:7/17/2018
頁數:260
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:9787111603030
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(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:

本書共10章,可分為3個部分:第1∼2章為第一部分,簡介深度學習算法的發展歷史和前沿技術簡;第3∼4章為第二部分,介紹深度學習主流框架;第5∼10章為第三部分,主要為實踐案例部分,結合應用場景使用深度學習技術解決相應問題,譬如語音識別器、聊天機器人、人臉識別器、對戰機器人、推薦引擎構建等。
目錄:

第1章 了解深度學習 1
1.1 什么是深度學習 1
1.1.1 深度學習能解決的問題 2
1.1.2 深度學習適用的領域 3
1.2 深度學習的技術發展 6
1.2.1 基礎技術發展 7
1.2.2 應用技術發展 8
1.3 深度學習的知識點匯總 10
1.3.1 深度學習的預備技術 11
1.3.2 深度學習的技術構成 12
1.3.3 深度學習向其他行業與技術領域的延伸 13
1.4 深度學習工具與平臺介紹 15
1.4.1 深度學習框架 15
1.4.2 深度學習基礎架構 18
1.4.3 深度學習開發工具 19
1.4.4 深度學習輔助工具 20
1.4.5 深度學習云平臺服務 20
1.5 本章小結 22
1.6 參考資料 23
第2章 深度學習技術 24
2.1 深度學習基礎 24
2.1.1 感知器 26
2.1.2 激活函數 27
2.1.3 輸入層、隱藏層、輸出層 29
2.1.4 前向傳播與反向傳播求導 29
2.2 CNN 30
2.2.1 前饋網絡解決圖像存在的問題 31
2.2.2 卷積神經網絡 31
2.2.3 圖像的幾個不變性 33
2.2.4 卷積 34
2.2.5 池化 38
2.2.6 Inception 39
2.2.7 Flatten層和全連接層 39
2.2.8 跳層連接 40
2.2.9 經典CNN 41
2.3 RNN 41
2.3.1 RNN結構 42
2.3.2 基本結構與前向傳播 43
2.3.3 BPTT 44
2.3.4 LSTM 46
2.3.5 RNN拓展 50
2.4 最優化算法 52
2.4.1 梯度下降 52
2.4.2 Adam 54
2.5 本章小結 56
第3章 TensorFlow基礎 57
3.1 TensorFlow 57
3.2 獲取與安裝 60
3.3 變量及作用域 61
3.4 構建計算圖 66
3.5 全連接網絡構建 71
3.6 CNN構建 78
3.7 RNN構建 82
3.8 多架構運行 85
3.8.1 GPU使用 85
3.8.2 多CPU使用 86
3.9 隊列使用 88
3.10 本章小結 89
第4章 TensorFlow進階 90
4.1 TensorFlow架構與原理 90
4.2 TensorFlow擴展 93
4.2.1 TF Layers 94
4.2.2 TF Slim 95
4.2.3 TFLearn 96
4.2.4 Keras 99
4.3 Tensorboard與問題監控 101
4.4 改善深度神經網絡 103
4.5 性能優化建議 105
4.6 深度神經網絡結構 107
4.6.1 Inception結構 107
4.6.2 ResNet結構 108
4.6.3 Seq2Seq結構 108
4.6.4 Attention 109
4.7 本章小結 110
第5章 語音識別器 111
5.1 任務分析 111
5.2 數據與特征分析 114
5.2.1 語音數據庫 114
5.2.2 語音數據特征 115
5.3 主流語音識別網絡結構 119
5.3.1 用于語音識別的CNN 120
5.3.2 用于語音識別的RNN 122
5.4 CTC Loss 123
5.5 文本向量化 126
5.5.1 英文文本向量化 126
5.5.2 中文文本向量化 129
5.5.3 文本標簽比對 130
5.6 完整構建神經網絡 131
5.6.1 構建CNN識別網絡 132
5.6.2 用于語音識別的RNN 136
5.7 數據訓練 138
5.8 參數調優 140
5.9 實際數據分析 141
5.10 本章小結 142
第6章 對話機器人 143
6.1 對話機器人概述與應用領域 143
6.2 對話機器人主流技術 145
6.2.1 基于模板的對話機器人 145
6.2.2 基于檢索技術的對話機器人 146
6.2.3 基于深度學習的對話機器人 146
6.3 對話機器人的前沿與功能擴展 147
6.4 深度學習對話機器人原理 149
6.5 構建對話機器人 150
6.5.1 Bot界面與交互 150
6.5.2 語料預處理 155
6.5.3 模型構建 161
6.5.4 訓練流程 163
6.5.5 在線推斷 165
6.6 本章小結 166
第7章 人臉識別器 167
7.1 任務分析 167
7.2 Detection、Aliment與Identify 170
7.3 數據特征分析 172
7.3.1 人臉位置和范圍數據 173
7.3.2 人臉關鍵點數據 174
7.3.3 人臉識別數據庫 176
7.4 haar分類器方式 178
7.4.1 固定特征的提取 178
7.4.2 分類器 180
7.4.3 代碼實現 182
7.5 神經網絡方法演進 183
7.6 人臉識別網絡構建 185
7.6.1 人臉檢測網絡MTCNN 185
7.6.2 用于人臉檢測的GoogleNet 188
7.7 主流人臉識別網絡差異分析 190
7.8 TensorFlow搭建網絡 191
7.9 參數調優 193
7.10 實戰分析 195
7.11 本章小結 197
第8章 自動駕駛 198
8.1 自動駕駛的介紹與應用領域 198
8.1.1 自動駕駛的應用場景 199
8.1.2 自動駕駛分級 199
8.2 自動駕駛技術 201
8.2.1 端到端的自動駕駛歷史 202
8.2.2 底層硬件支撐技術平臺 203
8.3 深度增強學習 204
8.4 行車檢測 208
8.4.1 物體檢測 208
8.4.2 YOLO模型 209
8.4.3 車輛圖像數據探索 211
8.4.4 車輛視頻數據預處理 212
8.4.5 遷移學習 212
8.4.6 模型推斷 213
8.4.7 繪制檢測結果 213
8.5 端到端自動駕駛 216
8.5.1 英偉達End to End模型 216
8.5.2 評估指標 219
8.5.3 數據分析 219
8.5.4 讀入視頻,并處理圖像 222
8.5.5 深度學習模型構建與訓練 222
8.5.6 可視化結果 223
8.6 本章小結 224
8.7 參考資料 224
第9章 可視化實踐 225
9.1 可視化發展 225
9.2 可視化過程 227
9.3 Matplotlib 228
9.4 ECharts 230
9.5 可視化實踐 232
9.6 三維可視化 234
9.7 動態可視化 237
9.8 本章小結 239
第10章 優化實踐 240
10.1 通用深度神經網絡訓練優化建議 240
10.1.1 過擬合與欠擬合 242
10.1.2 數據增強 244
10.1.3 梯度消失 245
10.1.4 初始化權值 245
10.1.5 優化算法 246
10.1.6 超參數選擇 247
10.2 深度學習系統性能優化建議 250
10.2.1 輸入及預處理流水線優化 250
10.2.2 數據格式 251
10.2.3 編譯優化 252
10.2.4 GPU性能瓶頸診斷 252
10.2.5 CPU瓶頸優化 254
10.2.6 模型壓縮 255
10.3 工程實踐建議 256
10.3.1 Model格式轉換 256
10.3.2 遷移學習 256
10.3.3 在線推斷TensorFlow Serving 259
10.4 本章小結 260
序: