-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
5/4 新書到! 4/27 新書到! 4/20 新書到! 4/13 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

深度學習與MindSpore實踐

( 簡體 字)
作者:陳雷類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:清華大學出版社深度學習與MindSpore實踐 3dWoo書號: 52512
詢問書籍請說出此書號!

有庫存
NT定價: 395
折扣價: 356

出版日:3/1/2020
頁數:355
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:9787302546610
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:

從計算機到互聯網,再到人工智能,我們這代人從少年到中年見證參與了人類社會將科幻轉變為現實的波瀾壯闊的一場科技盛宴:機器學習、虛擬現實與云計算,這些曾經僅僅掌控在尖端科學家手中的技術已經融入我們的生活,尋常百姓亦耳熟能詳。在中國,巨大的市場產生了海量數據,華為在深度學習沖擊各行各業的大潮中,使硬件、軟件相輔相成,倚昇騰芯片之驚人算力,推出MindSpore全場景AI(人工智能)計算框架,借此釋放硬件的全部潛能。
華為自主研發的MindSpore AI計算框架,支持目前所有主流深度學習框架中的模型,支持端Q邊Q云全場景全棧協同開發,可以適應所有的AI應用場景,極大地降低了開發門檻,顯著減少模型開發時間;而它對本地AI計算的支持,更是解決了業界最為關注的隱私安全保護問題。
“工欲善其事,必先利其器”,在這個速度和執行力至關重要的時代,AI開發者需要去繁就簡,用最快的速度學會正確有效地使用不同工具,解決工作中的實際問題,這就是本書的終極目標。與眾多注重理論強調基礎的深度學習教材不同,本書秉承“大道至簡,實干為要”的理念,深入淺出地介紹了深度學習的基礎知識和各種模型,通過大量經典實例講授如何使用MindSpore AI計算框架在不同領域實現深度學習的理論和算法,結合昇騰強大的算力打造很多其他框架做不到的事情。
希望本書能夠幫助每一位開發者早日得益于MindSpore的強大功能,為這場人類歷史上偉大、迅猛、驚心動魄的技術革命盡一己之力。

感謝MindSpore開發團隊在繁忙的工作中抽出時間,編寫和校對了本書中所有的程序示例代碼,如果沒有他們的全心投入,本書將很難順利完成。感謝MindSpore資料團隊承擔了全書的審閱工作,在內容整理、文字編排上注入了極大精力,對本書撰寫工作做出極大貢獻。感謝上海交通大學的沈艷艷老師,香港科技大學的張永琪、邸世民同學對本書的貢獻,感謝書籍檢視團隊的同事為本書進行細致的查漏補缺,給出了大量有價值的建議;感謝中軟架構與設計管理部的同事對書中插圖進行精心編輯和修改,使得書的內容更加清晰形象、概念的解釋更加具體明確;感謝Cloud BU戰略與業務發展部的同事,他們與清華大學出版社進行大量溝通,促成了本書的快速出版。感謝清華大學出版社盛東亮老師和鐘志芳老師的大力支持,他們認真細致的工作保證了本書的質量。最后,感謝華為公司在本書寫作過程中提供的支持。
由于編著者水平有限,書中難免有疏漏和不足之處,懇請讀者批評指正!



編著者
2019年11月
內容簡介:

本書系統介紹了深度學習理論,并基于MindSpore AI計算框架進行實踐。全書共分十四章,內容涵蓋了深度學習概況、理論基礎、深度神經網絡、卷積神經網絡、無監督學習、深度強化學習、自動化機器學習、端云聯合訓練、可視化、數據準備等內容。為便于讀者學習,書中還給出了基于MindSpore實現的關于深度學習的開發實例以及線上資源。本書可以作為普通高等學校人工智能、智能科學與技術、計算機科學與技術、電子信息工程、自動化等專業的本科生及研究生教材,也適合作為從事深度學習相關工作的軟件開發工程師與科研人員的學習、參考用書。
目錄:

第1章引言00
1.1人工智能的歷史變遷00
1.2什么是深度學習00
1.3深度學習的現實應用00
1.3.1自動語音識別00
1.3.2圖像識別00
1.3.3自然語言處理00
1.3.4其他領域00
1.4本書的組織架構00
1.5MindSpore簡介00
1.5.1編程簡單00
1.5.2端云協同0
1.5.3調試輕松0
1.5.4性能卓越0
1.5.5開源開放0
第2章深度學習基礎知識0
2.1回歸問題算法0
2.2梯度下降算法0
2.3分類問題算法0
2.4過擬合與欠擬合0
第3章深度神經網絡0
3.1前向網絡0
3.2反向傳播0
3.3泛化能力0
3.4用MindSpore實現簡單神經網絡0
3.4.1各層參數說明0
3.4.2詳細步驟0

目錄
第4章深度神經網絡的訓練0
4.1深度學習系統面臨的主要挑戰0
4.1.1大數據集需求0
4.1.2硬件需求0
4.1.3過擬合0
4.1.4超參數優化0
4.1.5不透明性0
4.1.6缺少靈活性0
4.2正則化0
4.2.1L2范數正則化0
4.2.2L1范數正則化0
4.3Dropout0
4.4自適應學習率0
4.4.1AdaGrad0
4.4.2RMSProp0
4.4.3Adam0
4.5批標準化0
4.6用MindSpore實現深度神經網絡0
4.6.1各層參數說明0
4.6.2詳細步驟0
第5章卷積神經網絡0
5.1卷積操作0
5.2池化0
5.3殘差網絡0
5.4應用:圖片分類0
5.5用MindSpore實現基于卷積神經網絡圖片分類0
5.5.1加載MindSpore模塊0
5.5.2定義ResNet網絡結構0
5.5.3設置超參數0
5.5.4導入數據集0
5.5.5訓練模型0
第6章循環神經網絡0
6.1循環神經網絡概述0
6.2深度循環神經網絡0
6.3長期依賴的挑戰0
6.4長短期記憶網絡和門控循環神經網絡0
6.4.1長短期記憶網絡0
6.4.2門控循環神經網絡0
6.5應用:文本預測0
6.6用MindSpore實現基于長短期記憶網絡的文本預測0
6.6.1加載MindSpore模塊0
6.6.2數據準備0
6.6.3定義網絡0
6.6.4參數介紹0
6.6.5訓練模型0
參考文獻0
第7章無監督學習:詞向量0
7.1Word2Vec0
7.1.1提出背景0
7.1.2發展現狀0
7.1.3技術原理0
7.1.4技術難點0
7.1.5應用場景0
7.1.6框架模塊0
7.2GloVe0
7.2.1提出背景0
7.2.2發展現狀0
7.2.3技術原理0
7.2.4技術難點0
7.2.5應用場景
7.2.6框架模塊
7.3Transformer
7.3.1提出背景
7.3.2發展現狀
7.3.3技術原理
7.3.4技術難點
7.3.5應用場景
7.3.6框架模塊
7.4BERT
7.4.1提出背景
7.4.2發展現狀
7.4.3技術原理
7.4.4技術難點
7.4.5應用場景
7.4.6框架模塊
7.5詞向量典型生成算法對比
7.6應用:自動問答
7.6.1自動問答的相關概念
7.6.2傳統的自動問答方法
7.6.3基于深度學習的自動問答方法
7.7用MindSpore實現基于BERT的自動問答
7.7.1數據集準備
7.7.2訓練BERT網絡
參考文獻
第8章無監督學習:圖向量
8.1圖向量簡介
8.2DeepWalk算法
8.2.1DeepWalk算法原理
8.2.2DeepWalk算法實現
8.3LINE算法
8.3.1LINE算法原理
8.3.2LINE算法實現
8.4Node2Vec算法
8.4.1Node2Vec算法原理
8.4.2Node2Vec算法實現
8.5GCN算法
8.5.1GCN算法原理
8.5.2GCN算法實現
8.6GAT算法
8.6.1GAT算法原理
8.6.2GAT算法實現
8.7應用:推薦系統
8.7.1工業界中的推薦系統
8.7.2推薦系統中的圖神經網絡模型
參考文獻
第9章無監督學習:深度生成模型
9.1變分自編碼器
9.1.1提出背景
9.1.2發展現狀
9.1.3技術原理
9.1.4技術難點
9.1.5應用場景
9.2生成對抗網絡
9.2.1提出背景
9.2.2發展現狀
9.2.3技術原理
9.2.4技術難點
9.2.5應用場景
9.2.6框架模塊
9.3應用:數據增強
9.3.1數據增強的定義
9.3.2數據增強的目的
9.3.3傳統數據增強的方法
9.3.4基于深度學習的數據增強方法
9.4用MindSpore實現基于生成對抗網絡的數據增強
參考文獻
第10章深度強化學習
10.1強化學習基本概念
10.1.1基礎概念與理論
10.1.2馬爾可夫決策過程
10.1.3貝爾曼方程
10.2基本求解方法
10.2.1動態規劃法
10.2.2蒙特卡羅法
10.2.3時間差分法
10.3深度強化學習算法
10.3.1DQN算法
10.3.2DDPG算法
10.3.3A3C算法
10.4最新應用
10.4.1推薦系統
10.4.2博弈游戲
10.5用MindSpore實現基于DQN的博弈游戲
參考文獻
第11章自動化機器學習
11.1AutoML框架
11.1.1NAS算法
11.1.2超參調優
11.2現有AutoML系統介紹
11.2.1AutoWeka/AutoQSklearn/HyperOpt
11.2.2MicrosoftNNI
11.3元學習
11.3.1學習優化器
11.3.2學習參數初始化
11.3.3學習損失函數
11.3.4學習度量
11.4用MindSpore實現AutoML
參考文獻
第12章端云協同
12.1端側推理
12.2端云遷移學習
12.3端云聯邦學習
12.3.1聯邦平均
12.3.2梯度壓縮
12.4端云協同框架
參考文獻
第13章深度學習可視化
13.1深度學習可視化概述
13.1.1數據分析
13.1.2模型建立與理解
13.1.3訓練
13.1.4評估
13.2MindSpore可視化實踐
13.2.1可視化流程
13.2.2數據集可視化
13.2.3模型與訓練可視化
13.2.4Summary匯總數據格式
參考文獻
第14章深度學習的數據準備
14.1數據格式概述
14.2深度學習中的數據格式
14.2.1原始輸入
14.2.2標注信息
14.3常用的深度學習數據格式
14.3.1TFRecord格式
14.3.2LMDB存儲
14.3.3Rec格式
14.3.4MindSpore數據格式
14.3.5MindSpore數據集
14.4使用MindSpore數據格式進行訓練數據準備
14.4.1MindSpore數據格式生成
14.4.2MindSpore數據格式統計與檢索
14.4.3MindSpore數據格式訓練數據讀取
附錄A中、英文對照詞匯表
附錄BMindSpore白皮書
參考文獻
序: