飛槳PaddlePaddle深度學習實戰(zhàn)
定 價：99 元
叢書名：智能系統(tǒng)與技術叢書
- 作者：劉祥龍 楊晴虹 胡曉光 周湘陽等
- 出版時間：2020/8/1
- ISBN：9787111662365
- 出 版 社：機械工業(yè)出版社
- 中圖法分類：TP181
- 頁碼：373
- 紙張：膠版紙
- 版次：1
- 開本：16K
內容簡介
本書由百度官方出品，百度公司CTO王海峰博士作序，張鈸院士、李未院士、百度集團副總裁吳甜聯(lián)袂推薦。
本書遵循“內容全面、由淺入深、注重實踐”的原則，基于飛槳PaddlePaddle深度學習平臺，較為全面地覆蓋了學習深度學習技術所必須具備的基礎知識以及深度學習主要核心技術，包括相關的數(shù)學基礎、Python編程基礎、機器學習基礎以及正向/反向傳播算法、卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡等，盡量做到讀懂一本書即可達到“零基礎”到“全精通”。
在章節(jié)安排上，考慮讀者的特點和認知規(guī)律，在知識架構和案例穿插的設計上確保循序漸進、由淺入深。同時，本書提供了大量的深度學習實戰(zhàn)案例，覆蓋了當前計算機視覺、自然語言處理、個性化推薦等領域主流應用典型的算法，每章都單獨配以飛槳代碼實現(xiàn)，詳細解析實操過程，手把手引導讀者開展實踐練習、深入掌握相關知識。
本書提供配套代碼合集，詳情請訪問https://aistudio.baidu.com/aistudio/projectdetail/518424。
序
前言
第一部分 數(shù)學與編程基礎篇
第1章 數(shù)學基礎與Python庫2
1.1 Python是進行人工智能編程的主要語言2
1.2 數(shù)學基礎3
1.2.1 線性代數(shù)基礎3
1.2.2 微積分基礎7
1.3 Python庫的操作14
1.3.1 NumPy操作14
1.3.2 Matplotlib操作19
1.4 本章小結23
第2章 深度學習概論與飛槳入門24
2.1 人工智能、機器學習和深度學習25
2.1.1 人工智能25
2.1.2 機器學習26
2.1.3 深度學習26
2.2 深度學習的發(fā)展歷程27
2.2.1 神經(jīng)網(wǎng)絡的第一次高潮27
2.2.2 神經(jīng)網(wǎng)絡的第一次寒冬28
2.2.3 神經(jīng)網(wǎng)絡的第二次高潮30
2.2.4 神經(jīng)網(wǎng)絡的第二次寒冬30
2.2.5 深度學習的來臨31
2.2.6 深度學習崛起的時代背景31
2.3 深度學習的應用場景31
2.3.1 圖像與視覺32
2.3.2 語音識別32
2.3.3 自然語言處理33
2.3.4 個性化推薦33
2.4 常見的深度學習網(wǎng)絡結構34
2.4.1 全連接網(wǎng)絡結構34
2.4.2 卷積神經(jīng)網(wǎng)絡34
2.4.3 循環(huán)神經(jīng)網(wǎng)絡35
2.5 機器學習回顧35
2.5.1 線性回歸的基本概念36
2.5.2 數(shù)據(jù)處理37
2.5.3 模型概覽38
2.5.4 效果展示39
2.6 深度學習框架簡介40
2.6.1 深度學習框架的優(yōu)勢40
2.6.2 常見的深度學習框架41
2.6.3 飛槳簡介42
2.6.4 飛槳安裝42
2.6.5 AI Studio43
2.7 飛槳實現(xiàn)44
2.8 飛槳服務平臺和工具組件51
2.8.1 PaddleHub51
2.8.2 X2Paddle54
2.8.3 PARL56
2.8.4 EasyDL61
2.9 本章小結62
第二部分 深度學習基礎篇
第3章 深度學習的單層網(wǎng)絡64
3.1 Logistic回歸模型64
3.1.1 Logistic回歸概述64
3.1.2 損失函數(shù)66
3.1.3 Logistic回歸的梯度下降68
3.2 實現(xiàn)Logistic回歸模型72
3.2.1 NumPy版本73
3.2.2 飛槳版本80
3.3 本章小結88
第4章 淺層神經(jīng)網(wǎng)絡89
4.1 神經(jīng)網(wǎng)絡89
4.1.1 神經(jīng)網(wǎng)絡的定義及其結構89
4.1.2 神經(jīng)網(wǎng)絡的計算91
4.2 BP算法96
4.2.1 邏輯回歸與BP算法96
4.2.2 單樣本雙層神經(jīng)網(wǎng)絡的BP算法97
4.2.3 多樣本神經(jīng)網(wǎng)絡的BP算法100
4.3 BP算法實踐103
4.3.1 NumPy版本103
4.3.2 飛槳版本110
4.4 本章小結114
第5章 深層神經(jīng)網(wǎng)絡116
5.1 深層網(wǎng)絡介紹116
5.1.1 深度影響算法能力116
5.1.2 網(wǎng)絡演化過程與常用符號118
5.2 傳播過程120
5.2.1 神經(jīng)網(wǎng)絡算法核心思想120
5.2.2 深層網(wǎng)絡正向傳播過程120
5.2.3 深層網(wǎng)絡反向傳播過程121
5.2.4 傳播過程總結122
5.3 網(wǎng)絡的參數(shù)124
5.4 代碼實現(xiàn)125
5.4.1 NumPy版本125
5.4.2 飛槳版本128
5.5 本章小結130
第6章 卷積神經(jīng)網(wǎng)絡131
6.1 圖像分類問題描述131
6.2 卷積神經(jīng)網(wǎng)絡介紹132
6.2.1 卷積層132
6.2.2 ReLU激活函數(shù)136
6.2.3 池化層137
6.2.4 Softmax分類層138
6.2.5 主要特點139
6.2.6 經(jīng)典神經(jīng)網(wǎng)絡架構140
6.3 飛槳實現(xiàn)145
6.3.1 數(shù)據(jù)介紹145
6.3.2 模型概覽146
6.3.3 配置說明146
6.4 本章小結153
第7章 循環(huán)神經(jīng)網(wǎng)絡154
7.1 任務描述154
7.2 循環(huán)神經(jīng)網(wǎng)絡介紹155
7.2.1 長短期記憶網(wǎng)絡156
7.2.2 門控循環(huán)單元157
7.2.3 雙向循環(huán)神經(jīng)網(wǎng)絡158
7.2.4 卷積循環(huán)神經(jīng)網(wǎng)絡159
7.3 利用飛槳實現(xiàn)機器翻譯159
7.3.1 數(shù)據(jù)準備159
7.3.2 柱搜索 163
7.3.3 模型配置167
7.3.4 模型訓練168
7.3.5 加載訓練模型進行預測169
7.4 本章小結170
第8章 注意力機制171
8.1 任務描述171
8.2 注意力機制介紹172
8.2.1 Transformer172
8.2.2 Non-local神經(jīng)網(wǎng)絡175
8.2.3 Attention Cluster神經(jīng)網(wǎng)絡176
8.3 利用飛槳實現(xiàn)視頻分類177
8.3.1 Non-local神經(jīng)網(wǎng)絡177
8.3.2 Attention Cluster183
8.4 本章小結195
第9章 算法優(yōu)化196
9.1 基礎知識196
9.1.1 訓練、驗證和測試集196
9.1.2 偏差和方差197
9.2 評估198
9.2.1 選定評估目標198
9.2.2 迭代過程199
9.2.3 欠擬合和過擬合199
9.3 調優(yōu)策略199
9.3.1 降低偏差199
9.3.2 降低方差204
9.4 超參數(shù)調優(yōu)209
9.4.1 隨機搜索和網(wǎng)格搜索209
9.4.2 超參數(shù)范圍209
9.4.3 分階段搜索210
9.4.4 例子：對學習率的調整210
9.5 本章小結212
第三部分 飛槳實踐篇
第10章 目標檢測214
10.1 任務描述214
10.2 常見模型解析217
10.2.1 R-CNN系列217
10.2.2 YOLO223
10.2.3 SSD228
10.3 PaddleDetection應用實踐231
10.3.1 Faster-R-CNN231
10.3.2 YOLOv3234
10.4 本章小結237
第11章 圖像生成238
11.1 任務描述238
11.1.1 圖像生成238
11.1.2 圖像–圖像轉換239
11.1.3 文本–圖像轉換239
11.2 模型概覽240
11.2.1 圖像生成240
11.2.2 圖像–圖像241
11.2.3 文本–圖像246
11.3 PaddleGAN應用實踐248
11.3.1 數(shù)據(jù)準備248
11.3.2 參數(shù)設置248
11.3.3 網(wǎng)絡結構定義249
11.3.4 模型訓練253
11.3.5 模型測試 256
11.4 本章小結257
第12章 情感分析258
12.1 任務描述258
12.2 算法原理解析259
12.2.1 BOW259
12.2.2 DB-LSTM259
12.3 情感分析應用實踐261
12.3.1 數(shù)據(jù)集下載261
12.3.2 配置模型262
12.3.3 訓練模型268
12.4 本章小結273
第13章 機器翻譯274
13.1 任務描述274
13.2 算法原理解析275
13.2.1 Seq2Seq275
13.2.2 Transformer276
13.3 機器翻譯應用實踐287
13.3.1 數(shù)據(jù)準備287
13.3.2 模型配置287
13.3.3 模型訓練289
13.3.4 模型測試291
13.3.5 模型評估292
13.4 本章小結292
第14章 語義表示293
14.1 任務描述293
14.2 常見模型解析294
14.2.1 ELMo294
14.2.2 ERNIE296
14.3 ERNIE應用實踐300
14.3.1 數(shù)據(jù)準備301
14.3.2 模型配置301
14.3.3 模型訓練302
14.3.4 模型評估305
14.4 本章小結305
第15章 個性化推薦306
15.1 問題描述306
15.2 傳統(tǒng)推薦方法307
15.2.1 基于內容的推薦307
15.2.2 協(xié)同過濾推薦309
15.2.3 混合推薦310
15.3 深度學習推薦方法310
15.3.1 YouTube的深度神經(jīng)網(wǎng)絡推薦系統(tǒng)310
15.3.2 融合推薦系統(tǒng)312
15.4 個性化推薦系統(tǒng)在飛槳上的實現(xiàn)315
15.4.1 數(shù)據(jù)準備315
15.4.2 模型設計332
15.4.3 模型訓練358
15.4.4 保存特征363
15.4.5 模型測試364
15.5 本章小結373
書單推薦
