深度學(xué)習(xí)程序設(shè)計(jì)實(shí)戰(zhàn)
定 價(jià)：69.8 元
叢書名：中國(guó)通信學(xué)會(huì)5G+行業(yè)應(yīng)用培訓(xùn)指導(dǎo)用書
- 作者：方林 陳海波
- 出版時(shí)間：2021/3/1
- ISBN：9787111673590
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP311.561
- 頁(yè)碼：267
- 紙張：
- 版次：
- 開本：16開
本書以Python語言和Tensorflow為工具，由淺入深地講述了深度學(xué)習(xí)程序設(shè)計(jì)的基本原理、算法和思考問題的方法，內(nèi)容包括自頂向下的程序設(shè)計(jì)、遞歸程序設(shè)計(jì)、面向?qū)ο蟮某绦蛟O(shè)計(jì)、反向傳播算法、三層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)和目標(biāo)檢測(cè)等。本書重在研究代碼背后深刻的計(jì)算機(jī)理論和數(shù)學(xué)原理，試圖說明代碼是對(duì)理論和思想的實(shí)現(xiàn)手段，而不是目的。學(xué)以致用是本書的宗旨，提高讀者編程水平和動(dòng)手能力是本書的目的。本書通過大量有趣的實(shí)例，說明了理論對(duì)深度學(xué)習(xí)程序設(shè)計(jì)實(shí)踐的指導(dǎo)意義。
序
前言
第1 章 程序設(shè)計(jì)方法...00
1.1 自頂向下的程序設(shè)計(jì)...00
1.1.1 問題分解和自頂向下的程序設(shè)計(jì)方法...00
1.1.2 五猴分桃問題...00
1.1.3 猜姓氏問題...00
1.1.4 囚犯問題...00
1.1.5 撲克牌問題...0
1.2 遞歸程序設(shè)計(jì)...0
1.2.1 河內(nèi)塔問題...0
1.2.2 兔子問題...0
1.2.3 字符串匹配問題...0
1.2.4 組合問題...0
1.2.5 人字形鐵路問題...0
1.3 面向?qū)ο蟮某绦蛟O(shè)計(jì)...0
1.3.1 方法重定義和分?jǐn)?shù)...0
1.3.2 二十四點(diǎn)問題...0
1.4 結(jié)束語...0
第2 章 反向傳播算法...0
2.1 導(dǎo)數(shù)和導(dǎo)數(shù)的應(yīng)用...0
2.1.1 導(dǎo)數(shù)...0
2.1.2 梯度下降法求函數(shù)的最小值...0
2.1.3 牛頓法求平方根...0
2.1.4 復(fù)合函數(shù)和鏈?zhǔn)椒▌t...0
2.1.5 多元函數(shù)和全微分方程...0
2.1.6 反向傳播算法...0
2.1.7 梯度...0
2.1.8 分段求導(dǎo)...0
2.2 自動(dòng)求導(dǎo)和人工智能框架...0
2.2.1 表達(dá)式和自動(dòng)求偏導(dǎo)...0
2.2.2 表達(dá)式求值...0
2.2.3 求解任意方程...0
2.2.4 求解任意方程組...0
2.2.5 求解任意函數(shù)的極小值...0
2.2.6 張量、計(jì)算圖和人工智能框架...0
2.3 結(jié)束語...0
第3 章 神經(jīng)元網(wǎng)絡(luò)初步...0
3.1 Tensorflow基本概念...0
3.1.1 計(jì)算圖、張量、常數(shù)和變量...0
3.1.2 會(huì)話、運(yùn)行...0
3.1.3 占位符...0
3.1.4 矩陣算術(shù)運(yùn)算...0
3.1.5 矩陣運(yùn)算的廣播...0
3.1.6 TF矩陣運(yùn)算...0
3.1.7 形狀和操作...0
3.1.8 關(guān)系運(yùn)算和邏輯運(yùn)算...0
3.2 優(yōu)化器和計(jì)算圖...0
3.2.1 梯度和優(yōu)化器...0
3.2.2 求解平方根...0
3.2.3 計(jì)算圖...0
3.3 三層神經(jīng)網(wǎng)絡(luò)...0
3.3.1 神經(jīng)元網(wǎng)絡(luò)訓(xùn)練算法...0
3.3.2 線性變換和激活函數(shù)...0
3.3.3 矩陣乘法和全連接...0
3.3.4 激活函數(shù)...0
3.3.5 全連接和Relu的梯度...0
3.3.6 求正弦...0
3.3.7 BGD、SGD和MBGD...0
3.3.8 三層神經(jīng)網(wǎng)絡(luò)模型...0
3.4 用三層神經(jīng)網(wǎng)絡(luò)擬合任意一個(gè)函數(shù)...0
3.4.1 三層神經(jīng)網(wǎng)絡(luò)擬合一元函數(shù)...0
3.4.2 樣本、訓(xùn)練和預(yù)測(cè)...0
3.4.3 中間層神經(jīng)元個(gè)數(shù)和樣本數(shù)量之間
的關(guān)系...0
3.4.4 自變量越界會(huì)發(fā)生什么...0
3.4.5 同時(shí)擬合cos(x)、sin(x)...0
3.4.6 擬合多元函數(shù)...0
3.4.7 過擬合...0
3.5 手寫數(shù)字識(shí)別...0
3.5.1 手寫數(shù)字樣本集合MNIST...0
3.5.2 獨(dú)熱向量...0
3.5.3 3種損失函數(shù)...0
3.5.4 softmax函數(shù)...0
3.5.5 保存和恢復(fù)模型...0
3.5.6 驗(yàn)證模型...0
3.5.7 測(cè)試和使用模型...0
3.6 結(jié)束語...0
第4 章 卷積神經(jīng)網(wǎng)絡(luò)...0
4.1 卷積...0
4.1.1 一維卷積...0
4.1.2 二維卷積...
4.1.3 通道...
4.1.4 TF對(duì)卷積的第一種實(shí)現(xiàn)...
4.1.5 TF對(duì)卷積的第二種實(shí)現(xiàn)...
4.1.6 卷積的實(shí)質(zhì)...
4.2 池化操作...
4.2.1 最大值池化和平均值池化...
4.2.2 池化操作的梯度...
4.3 用CNN實(shí)現(xiàn)手寫數(shù)字識(shí)別...
4.3.1 模型的結(jié)構(gòu)...
4.3.2 模型參數(shù)數(shù)量和計(jì)算量...
4.3.3 關(guān)于全連接和Dropout...
4.3.4 用Tensorboard監(jiān)視訓(xùn)練...
4.4 手寫數(shù)字生成...
4.4.1 生成問題...
4.4.2 VAE模型和語義...
4.4.3 反卷積操作...
4.4.4 網(wǎng)絡(luò)的結(jié)構(gòu)...
4.4.5 動(dòng)量...
4.4.6 控制依賴...
4.4.7 預(yù)測(cè)...
4.5 條件VAE模型...
4.5.1 CVAE模型...
4.5.2 條件式手寫數(shù)字生成模型...
4.6 使用GPU...
4.6.1 單GPU和nvidia-smi命令...
4.6.2 多GPU和重名問題...
4.6.3 多GPU的梯度...
4.6.4 多GPU訓(xùn)練...
4.6.5 多GPU預(yù)測(cè)...
4.7 殘差神經(jīng)網(wǎng)絡(luò)...
4.7.1 殘差神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)...
4.7.2 BN操作...
4.8 表情識(shí)別...
4.8.1 樣本...
4.8.2 通用超級(jí)框架...
4.8.3 模型...
4.9 人臉識(shí)別和人臉對(duì)比...
4.9.1 人臉識(shí)別...
4.9.2 簡(jiǎn)單人臉對(duì)比...
4.9.3 簡(jiǎn)單人臉對(duì)比的實(shí)現(xiàn)...
4.9.4 法向量和夾角余弦...
4.9.5 基于夾角余弦的人臉對(duì)比...
4.10 語義分割和實(shí)例分割...
4.10.1 什么是語義分割和實(shí)例分割...
4.10.2 多分類問題...
4.10.3 U型網(wǎng)絡(luò)...
4.10.4 語義分割和實(shí)例分割的實(shí)現(xiàn)...
4.10.5 點(diǎn)到點(diǎn)的語義分割和實(shí)例分割...
4.11 其他CNN模型...
4.12 優(yōu)化器...
4.12.1 GradientDescentOptimizer...
4.12.2 MomentumOptimizer...
4.12.3 RMSPropOptimizer...
4.12.4 AdamOptimizer...
4.12.5 AdagradOptimizer...
4.12.6 AdadeltaOptimizer...
4.13 結(jié)束語...
第5 章 循環(huán)神經(jīng)網(wǎng)絡(luò)...
5.1 什么是循環(huán)神經(jīng)網(wǎng)絡(luò)...
5.2 RNN的結(jié)構(gòu)...
5.2.1 簡(jiǎn)單RNN模型...
5.2.2 多層RNN...
5.3 詩(shī)歌生成器...
5.3.1 樣本預(yù)處理...
5.3.2 字向量...
5.3.3 可洗牌的DataSet...
5.3.4 生成詩(shī)歌...
5.4 LSTM模型...
5.4.1 基本LSTM模型...
5.4.2 LSTM變體之一——Peephole...
5.4.3 LSTM變體之二——GRU...
5.5 1:1模型...
5.5.1 分詞和詞性標(biāo)注...
5.5.2 雙向RNN...
5.6 N∶1模型與1∶N模型...
5.6.1 N∶1模型...
5.6.2 1∶N模型...
5.7 N∶N模型...
5.7.1 翻譯...
5.7.2 自注意力...
5.7.3 獨(dú)立計(jì)算的自注意力...
5.7.4 Transform（變形）操作...
5.7.5 Transformer多頭注意力模型...
5.8 N∶N∶N模型...
5.8.1 閱讀理解...
5.8.2 多輪對(duì)話...
5.9 結(jié)束語...
第6 章 生成式對(duì)抗網(wǎng)絡(luò)...
6.1 簡(jiǎn)單GAN...
6.1.1 簡(jiǎn)單GAN模型...
6.1.2 簡(jiǎn)單GAN生成手寫數(shù)字...
6.1.3 GAN的訓(xùn)練為什么困難...
6.2 條件式GAN...
6.3 Pix2Pix模型...
6.4 CycleGAN模型...
6.5 StarGAN模型...
6.5.1 StarGAN的訓(xùn)練...
6.5.2 數(shù)字之間的轉(zhuǎn)換...
6.6 WGAN...
6.7 結(jié)束語...
第7 章 目標(biāo)檢測(cè)...
7.1 目標(biāo)檢測(cè)簡(jiǎn)介...
7.2 目標(biāo)檢測(cè)中的難點(diǎn)...
7.2.1 模型的輸出...
7.2.2 目標(biāo)檢測(cè)的主要方法...
7.3 兩步檢測(cè)法...
7.3.1 RCNN模型...
7.3.2 Fast RCNN模型...
7.3.3 Faster RCNN模型...
7.4 一步檢測(cè)法...
7.4.1 SSD模型...
7.4.2 Yolo模型...
7.5 結(jié)束語...
索引...
書單推薦
