- 深度学习与飞桨PaddlePaddle Fluid实战/深度学习系列
- - 作者：于祥
  - 出版社：人民邮电
  - ISBN：9787115519641
  - 出版日期：2019/12/01
  - 页数：402
- 售价：39.6

内容大纲
    飞桨PaddlePaddle Fluid是百度推出的深度学习框架，不仅支撑了百度公司的很多业务和应用，而且随着其开源过程的推进，在很多行业得到普及、应用和关注。
    本书基于最新的飞桨PaddlePaddle Fluid版本，以真实的应用案例介绍如何用飞桨PaddlePaddle解决主流的深度学习问题。全书共14章。本书首先介绍了什么是飞桨。PaddlePaddle，然后介绍了其核心设计思想，进而紧紧结合案例介绍了飞桨PaddlePaddle在主流的图像任务领域、NLP领域的应用，最后还探讨了Paddle-Mobile与Anakin框架等高级主题。附录A和B给出了飞桨：PaddlePaddle与TensorFlow、Caffe框架的接口中常用层的对比。
    本书非常适合对人工智能感兴趣的学生、从事机器学习相关工作的读者阅读，尤其适合想要通过飞桨PaddlePaddle掌握深度学习应用技术的研究者和从业者参考。
作者介绍
于祥，百度PaddlePaddle技术运营。2015年开始研究神经网络技术，早期从事基于深度学习的身份认证技术研发，曾负责上海智慧城市项目和华润集团项目的算法支持，曾获得ACM-ICPC与CCCC-GPLT银奖。
目录
第1章  飞桨PaddlePaddle简介与AI Studio的使用
  1.1  飞桨PaddlePaddle简介
  1.2  飞桨PaddlePaddle的工具组件
    1.2.1  PaddleHub—简明易用的预训练模型管理框架
    1.2.2  PARL—基于飞桨PaddlePaddle的深度强化学习框架
    1.2.3  AutoDL Design—让深度学习来设计深度学习
    1.2.4  VisualDL—深度学习可视化工具库
    1.2.5  模型转换工具X2Paddle
  1.3  飞桨PaddlePaddle在百度内部支持的案例
  1.4  飞桨PaddlePaddle与TensorFlow的对比
  1.5  AI Studio简介
  1.6  在AI Studio中创建项目
    1.6.1  用户界面简介
    1.6.2  创建并运行一个项目
  1.7  AI Studio单机项目概述
    1.7.1  页面概览
    1.7.2  复制项目
    1.7.3  VisualDL工具的使用
  1.8  Notebook环境使用说明
    1.8.1  Notebook页面概览
    1.8.2  操作区
    1.8.3  Notebook内容编辑区
    1.8.4  侧边栏
    1.8.5  工具栏
  1.9  AI Studio集群项目
    1.9.1  集群项目说明
    1.9.2  创建集群项目
    1.9.3  页面概览
    1.9.4  代码编辑界面
    1.9.5  文件管理和数据集区域
    1.9.6  文件预览编辑和提交任务区域
    1.9.7  PaddlePaddle集群训练说明
    1.9.8  数据集与输出文件路径说明
    1.9.9  提交任务
    1.9.10  历史任务
    1.9.11  预安装包说明
  1.10  在线部署及预测
    1.10.1  功能说明
    1.10.2  通过训练任务生成模型文件
    1.10.3  创建一个在线服务
    1.10.4  测试沙盒服务
    1.10.5  部署在线服务
    1.10.6  调用在线服务
  1.11  NumPy常规操作及使用
第2章  PaddlePaddle Fluid的环境搭建与安装
  2.1  在Linux系统中安装PaddlePaddle
    2.1.1  租用百度BCC云服务器
    2.1.2  安装前的准备工作
    2.1.3  通过pip安装PaddlePaddle
    2.1.4  在Docker中安装PaddlePaddle

  2.2  在Windows系统中安装PaddlePaddle
    2.2.1  Windows GPU驱动环境安装
    2.2.2  下载并安装CUDA
    2.2.3  安装cuDNN
    2.2.4  安装PaddlePaddle
  2.3  在macOS系统中安装PaddlePaddle
    2.3.1  安装Python
    2.3.2  安装PaddlePaddle
第3章  PaddlePaddle深度学习入门—在MNIST上进行手写数字识别
  3.1  引言
  3.2  模型概览
    3.2.1  Softmax回归模型
    3.2.2  多层感知器
    3.2.3  卷积神经网络
  3.3  数据介绍
  3.4  PaddlePaddle的程序配置过程
    3.4.1  程序说明
    3.4.2  配置inference_program
    3.4.3  配置train_program
    3.4.4  配置optimizer_program
    3.4.5  配置数据集reader
  3.5  构建训练过程
    3.5.1  事件处理程序配置
    3.5.2  开始训练
  3.6  应用模型
    3.6.1  生成待预测的输入数据
    3.6.2  Inference创建及预测
    3.6.3  预测结果
  3.7  小结
第4章  PaddlePaddle设计思想与核心技术
  4.1  编译时与运行时的概念
  4.2  Fluid内部执行流程
  4.3  Program设计简介
  4.4  Block简介
  4.5  Block和Program的设计细节
  4.6  框架执行器设计思想
    4.6.1  代码示例
    4.6.2  创建框架执行器
    4.6.3  运行框架执行器
  4.7  示例
    4.7.1  定义Program
    4.7.2  创建框架执行器
    4.7.3  运行框架执行器
  4.8  LoD Tensor数据结构解读
    4.8.1  LoD索引
    4.8.2  LoD Tensor在PaddlePaddle中的表示方法
    4.8.3  LoD Tensor的API
    4.8.4  LoD Tensor的使用示例
  4.9  动态图机制——DyGraph
    4.9.1  动态图设置和基本用法

    4.9.2  基于DyGraph构建网络
    4.9.3  使用DyGraph训练模型
    4.9.4  模型参数的保存
    4.9.5  模型评估
    4.9.6  编写兼容的模型
第5章  独孤九剑—经典图像分类网络实现
  5.1  图像分类网络现状
  5.2  VGG16图像分类任务
    5.2.1  定义网络结构
    5.2.2  定义推理程序
    5.2.3  定义训练程序
    5.2.4  实例化训练对象
    5.2.5  读取数据
    5.2.6  编写事件处理程序并启动训练
    5.2.7  执行模型预测
  5.3  模块化设计GoogleNet
  5.4  Alexnet模型实现
  5.5  Resnet模型实现
  5.6  MobileNet V2模型实现
  5.7  ShuffleNet V2模型实现
第6章  “天网”系统基础—目标检测
  6.1  目标检测简介
  6.2  对R-CNN系列算法的探索历史
    6.2.1  R-CNN算法：目标检测开山之作
    6.2.2  SPP网络
    6.2.3  Fast R-CNN
    6.2.4  Faster R-CNN
  6.3  单步目标检测算法
    6.3.1  统一检测算法YOLO
    6.3.2  SSD基本原理
    6.3.3  SSD在训练时的匹配策略
    6.3.4  使用PaddlePaddle实现SSD网络
  6.4  PyramidBox
    6.4.1  提出PyramidBox方法的背景
    6.4.2  PyramidBox网络结构
    6.4.3  PyramidBox的创新点
    6.4.4  PyramidBox的PaddlePaddle官方实现
第7章  “天网”系统进阶—像素级物体分割
  7.1  物体分割简介
  7.2  语义分割与实例分割的关系
  7.3  语义分割
    7.3.1  语义分割的任务描述
    7.3.2  全卷积网络
    7.3.3  ParseNet
    7.3.4  u-net
    7.3.5  v-net
    7.3.6  u-net变体网络
    7.3.7  PSPNet
    7.3.8  ICNet
    7.3.9  DeepLab v3+

  7.4  实例分割
    7.4.1  实例分割概述
    7.4.2  Mask R-CNN
第8章  从零开始了解NLP技术—word2vec
  8.1  初识NLP
  8.2  词向量简介
  8.3  如何得到词向量模型
  8.4  词向量模型概览
    8.4.1  语言模型
    8.4.2  N-Gram模型
    8.4.3  CBOW模型
    8.4.4  Skip-Gram
    8.4.5  词ID
  8.5  通过PaddlePaddle训练CBOW模型
    8.5.1  CBOW模型训练过程
    8.5.2  数据预处理
    8.5.3  编程实现
    8.5.4  模型应用
  8.6  小结
第9章  feed流最懂你—个性化推荐
  9.1  引言
  9.2  推荐网络模型设计
    9.2.1  YouTube的深度神经网络个性化推荐系统
    9.2.2  融合推荐模型
  9.3  电影推荐实验
    9.3.1  数据介绍与下载
    9.3.2  模型配置说明
    9.3.3  训练模型
    9.3.4  应用模型
  9.4  小结
第10章  让机器读懂你的心—情感分析技术
  10.1  情感分析及其作用
  10.2  模型设计
  10.3  情感分析实验
第11章  NLP技术深入理解—语义角色标注
  11.1  引言
  11.2  模型概览
    11.2.1  栈式循环神经网络
    11.2.2  双向循环神经单元
    11.2.3  条件随机场
    11.2.4  深度双向LSTM SRL模型
  11.3  使用PaddlePaddle实现SRL任务
    11.3.1  数据预处理
    11.3.2  进行PaddlePaddle实验
  11.4  小结
第12章  NLP技术的应用—机器翻译
  12.1  引言
  12.2  效果展示
  12.3  模型概览
    12.3.1  时间步展开的双向循环神经网络

    12.3.2  编码器-解码器框架
    12.3.3  柱搜索算法
  12.4  机器翻译实战
    12.4.1  数据预处理
    12.4.2  模型配置
    12.4.3  训练模型
    12.4.4  应用模型
第13章  PaddlePaddle移动端及嵌入式框架—Paddle-Mobile
  13.1  Paddle-Mobile简介
  13.2  Paddle-Mobile优化与适配
    13.2.1  包压缩
    13.2.2  工程结构编码前重新设计
  13.3  移动端主体识别和分类
    13.3.1  完全在云端的神经网络技术应用
    13.3.2  移动端业界案例
    13.3.3  在移动端应用深度学习技术的难点
    13.3.4  AR实时翻译问题的解决方案
  13.4  编译与开发Paddle-Mobile平台库
  13.5  开发一个基于移动端深度学习框架的Android APP
  13.6  Paddle-Mobile设计思想
第14章  百度开源高速推理引擎——Anakin
  14.1  Anakin架构与性能
  14.2  Anakin的特性
    14.2.1  支持众多异构平台
    14.2.2  高性能
    14.2.3  汇编级的kernel优化
    14.2.4  Anakin值得一提的技术亮点
  14.3  Anakin的使用方法
    14.3.1  Anakin的工作原理
    14.3.2  Anakin v2.0API
  14.4  示例程序
附录A  TensorFlow与PaddlePaddle Fluid接口中常用层对照表
附录B  Caffe与PaddlePaddle Fluid接口中常用层对照表

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目