- 深度学习(从算法本质系统工程到产业实践)/跟我一起学人工智能
- - 作者：编者:王书浩//徐罡|责编:赵佳霓
  - 出版社：清华大学
  - ISBN：9787302657491
  - 出版日期：2024/04/01
  - 页数：349
- 售价：35.6

内容大纲
本书介绍了深度学习的基本理论、工程实践及其在产业界的部署和应用。在深度学习框架方面，结合代码详细讲解了经典的卷积神经网络、循环神经网络和基于自注意力机制的Transformer网络及其变体，并介绍了这些模型在图像分类、目标检测、语义分割、欺诈检测和语音识别等领域的应用。此外，书中还涵盖了深度强化学习和生成对抗网络的前沿进展。在系统工程和产业实践方面，解释了如何使用分布式系统训练和部署模型处理大规模数据。本书系统介绍了构建深度学习推理系统的过程，并结合代码讲解了分布式深度学习推理系统需要考虑的工程化因素，例如分布式问题和消息队列，以及工程化的解决方法。本书提供了每个经典模型和应用实例的TensorFlow和PyTorch版本代码，为深度学习初学者和算法开发者提供理论学习、代码实践和工程落地的指导与帮助。
本书适合计算机、自动化、电子、通信、数学、物理等相关专业的研究生和高年级本科生使用，也适合希望从事或准备转向人工智能领域的专业技术人员与医学研究人员阅读，还可作为高等院校、医疗系统和培训机构相关专业的教学参考书。
作者介绍
目录
第1章  神经网络深入
  1.1  打开深度学习之门
  1.2  从优化问题讲起
    1.2.1  牛顿与开普勒的对话
    1.2.2  拟合与分类的数学模型
    1.2.3  通过训练数据优化模型参数
    1.2.4  优化方法
  1.3  深度神经网络
    1.3.1  谁来做特征提取
    1.3.2  人工神经元与激活函数
    1.3.3  神经网络及其数学本质
  1.4  正则化方法
    1.4.1  欠拟合与过拟合
    1.4.2  正则化方法
    1.4.3  一些训练技巧
  1.5  模型评价
    1.5.1  评价指标的重要性
    1.5.2  混淆矩阵
    1.5.3  典型评价指标
  1.6  深度学习能力的边界
    1.6.1  深度学习各领域的发展阶段
    1.6.2  不适用现有深度学习技术的任务
    1.6.3  深度学习的未来
  本章习题
第2章  卷积神经网络——图像分类与目标检测
  2.1  卷积的基本概念
    2.1.1  卷积的定义
    2.1.2  卷积的本质
    2.1.3  卷积的重要参数
    2.1.4  池化层
  2.2  卷积神经网络
    2.2.1  典型的卷积神经网络
    2.2.2  LeNet
    2.2.3  AlexNet
    2.2.4  VGGNet
    2.2.5  ResNet
    2.2.6  能力对比
  2.3  目标检测
    2.3.1  R-CNN
    2.3.2  Fast R-CNN
    2.3.3  Faster R-CNN
    2.3.4  YOLO
  本章习题
第3章  卷积神经网络——语义分割
  3.1  语义分割基础
    3.1.1  语义分割的应用领域
    3.1.2  全卷积神经网络
    3.1.3  反卷积与空洞卷积
    3.1.4  U-Net
    3.1.5  DeepLab v1和v2

    3.1.6  DeepLab v3
    3.1.7  两种架构的融合——DeepLab v3+
  3.2  模型可视化
    3.2.1  卷积核可视化
    3.2.2  特征图可视化
    3.2.3  表征向量可视化
    3.2.4  遮盖分析与显著梯度分析
  3.3  病理影像分割初探
    3.3.1  病理——医学诊断的“金标准”
    3.3.2  病理人工智能的挑战
    3.3.3  真实模型训练流程
  3.4  自监督学习
    3.4.1  方法概述
    3.4.2  自监督学习算法介绍
  3.5  模型训练流程
    3.5.1  成本函数
    3.5.2  自动调节学习速率
    3.5.3  模型保存与加载
  本章习题
第4章  高级循环神经网络
  4.1  自然语言处理基础
    4.1.1  时间维度的重要性
    4.1.2  自然语言处理
    4.1.3  词袋法
    4.1.4  词嵌入
  4.2  循环神经网络
    4.2.1  时序数据建模的模式
    4.2.2  循环神经网络基本结构
    4.2.3  LSTM
    4.2.4  GRU
  4.3  基于会话的欺诈检测
    4.3.1  欺诈的模式
    4.3.2  技术挑战
    4.3.3  数据预处理
    4.3.4  实践循环神经网络
  4.4  语音识别与语音评测
    4.4.1  特征提取
    4.4.2  模型结构
    4.4.3  CTC损失函数
  本章习题
第5章  分布式深度学习系统
  5.1  分布式系统
    5.1.1  挑战与应对
    5.1.2  主从架构
    5.1.3  Hadoop与Spark
  5.2  分布式深度学习系统
    5.2.1  CPU与GPI
    5.2.2  分布式深度学习
    5.2.3  通信——对参数进行同步
  5.3  微服务架构

    5.3.1  微服务的基本概念
    5.3.2  消息队列
  5.4  分布式推理系统
    5.4.1  深度学习推理框架
    5.4.2  推理系统架构
  本章习题
第6章  深度学习前沿
  6.1  深度强化学习
    6.1.1  强化学习概述
    6.1.2  深度强化学习概述
    6.1.3  任天堂游戏的深度强化学习
  6.2  AlphaGo
    6.2.1  为什么围棋这么困难
    6.2.2  AlphaGo系统架构
    6.2.3  AlphaGo Zero
  6.3  生成对抗网络
    6.3.1  生成对抗网络概述
    6.3.2  典型的生成对抗网络
  6.4  未来在哪里
  本章习题
第7章  专题讲座
  7.1  DenseNet
  7.2  Inception
  7.3  Xception
  7.4  ResNeXt
  7.5  Transformer
  本章习题
第8章  Transformer和它的朋友们
  8.1  注意力模型
    8.1.1  看图说话
    8.1.2  语言翻译
    8.1.3  几种不同的注意力机制
  8.2  Transformer
    8.2.1  自注意力机制和Transformer
    8.2.2  Tansformer在视觉领域的应用
  本章习题
第9章  核心实战
  9.1  图像分类
    9.1.1  ImageNet数据集概述
    9.1.2  ImageNet数据探索与预处理
    9.1.3  模型训练
    9.1.4  模型测试
    9.1.5  模型评价
    9.1.6  猫狗大战数据集
    9.1.7  模型导出
  9.2  语义分割
    9.2.1  数字病理切片介绍
    9.2.2  数字病理切片预处理
    9.2.3  样本均衡性处理
    9.2.4  模型训练

    9.2.5  模型测试
    9.2.6  模型导出
  本章习题
第10章  深度学习推理系统
  10.1  整体架构
  10.2  调度器模块
  10.3  工作节点模块
  10.4  日志模块
  本章习题
参考文献
扩展资源二维码

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目