- 深度学习理论与实践(普通高等教育人工智能专业系列教材)
- - 作者：编者:吕云翔//王志鹏|责编:郝建伟//张翠翠
  - 出版社：机械工业
  - ISBN：9787111754206
  - 出版日期：2024/07/01
  - 页数：308
- 售价：31.6

内容大纲
本书分3个部分，分别为深度学习理论基础、深度学习实验和深度学习案例。这3个部分层层递进，介绍了机器学习的基础知识与常用方法，包括机器学习基本操作的原理和在深度学习框架下的实践步骤。第1部分通过7章来介绍深度学习的基础知识，包括深度学习在不同领域的应用，不同深度学习框架的对比，以及机器学习、神经网络等方面的内容。第2部分包括常用深度学习框架的基础讲解，以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第3部分提供了8个案例，介绍深度学习在图像分类、目标检测、目标识别、图像分割、风格迁移、自然语言处理等方面的应用。本书将理论与实践紧密结合，能为读者提供有益的学习指导。
本书适合高等院校计算机科学和软件工程等相关专业的学生、深度学习初学者和机器学习算法分析从业人员阅读。
作者介绍
目录
前言
第1部分  深度学习理论基础
  第1章  深度学习简介
    1.1  计算机视觉
      1.1.1  定义
      1.1.2  基本任务
      1.1.3  传统方法
      1.1.4  仿生学与深度学习
      1.1.5  现代深度学习
      1.1.6  卷积神经网络
    1.2  自然语言处理
      1.2.1  自然语言处理的基本问题
      1.2.2  传统方法与神经网络方法的比较
      1.2.3  发展趋势
    1.3  强化学习
      1.3.1  什么是强化学习
      1.3.2  强化学习算法简介
      1.3.3  强化学习的应用
    1.4  本章小结
    习题
  第2章  深度学习框架
    2.1  PyTorch
      2.1.1  什么是PyTorch
      2.1.2  PyTorch的特点
      2.1.3  PyTorch应用概述
    2.2  TensorFlow
      2.2.1  什么是TensorFlow
      2.2.2  数据流图
      2.2.3  TensorFlow的特点
      2.2.4  TensorFlow应用概述
    2.3  PaddlePaddle
      2.3.1  什么是PaddlePaddle
      2.3.2  PaddlePaddle的特点
      2.3.3  PaddlePaddle应用概述
    2.4  三者的比较
    2.5  本章小结
    习题
  第3章  机器学习基础知识
    3.1  机器学习概述
      3.1.1  关键术语
      3.1.2  机器学习的分类
      3.1.3  机器学习的模型构造过程
    3.2  监督学习
      3.2.1  线性回归
      3.2.2  逻辑斯谛回归
      3.2.3  最小近邻法
      3.2.4  线性判别分析法
      3.2.5  朴素贝叶斯分类器
      3.2.6  决策树分类算法
      3.2.7  支持向量机分类算法

    3.3  无监督学习
      3.3.1  划分式聚类方法
      3.3.2  层次化聚类方法
      3.3.3  基于密度的聚类方法
    3.4  强化学习
      3.4.1  强化学习、监督学习和无监督学习
      3.4.2  强化学习问题描述
      3.4.3  强化学习问题分类
    3.5  神经网络和深度学习
      3.5.1  感知器模型
      3.5.2  前馈神经网络
      3.5.3  卷积神经网络
      3.5.4  其他类型结构的神经网络
    3.6  本章小结
    习题
  第4章  回归模型
    4.1  线性回归模型
    4.2  Logistic回归模型
    4.3  用PyTorch实现Logistic回归
      4.3.1  数据准备
      4.3.2  线性方程
      4.3.3  激活函数
      4.3.4  损失函数
      4.3.5  优化算法
      4.3.6  模型可视化
    4.4  本章小结
    习题
  第5章  神经网络基础
    5.1  基础概念
    5.2  感知器
      5.2.1  单层感知器
      5.2.2  多层感知器
    5.3  BP神经网络
      5.3.1  梯度下降
      5.3.2  反向传播
    5.4  Dropout正则化
    5.5  批标准化
      5.5.1  批标准化的实现方式
      5.5.2  批标准化的使用方法
    5.6  本章小结
    习题
  第6章  卷积神经网络(CNN)与计算机视觉
    6.1  卷积神经网络的基本思想
    6.2  卷积操作
    6.3  池化层
    6.4  卷积神经网络
    6.5  经典网络结构
      6.5.1  VGG网络
      6.5.2  InceptionNet
      6.5.3  ResNet

      6.5.4  GAN
      6.5.5  Diffusion模型
    6.6  用PyTorch进行手写数字识别
    6.7  本章小结
    习题
  第7章  神经网络与自然语言处理
    7.1  语言建模
    7.2  基于多层感知机的架构
    7.3  基于循环神经网络的架构
      7.3.1  循环单元
      7.3.2  通过时间反向传播
      7.3.3  带有门限的循环单元
      7.3.4  循环神经网络语言模型
      7.3.5  神经机器翻译
    7.4  基于卷积神经网络的架构
    7.5  基于Transformer的架构
      7.5.1  多头注意力
      7.5.2  非参位置编码
      7.5.3  编码器单元与解码器单元
    7.6  表示学习与预训练技术
      7.6.1  词向量
      7.6.2  加入上下文信息的特征表示
      7.6.3  网络预训练
    7.7  本章小结
    习题
第2部分  深度学习实验
  第8章  操作实践
    8.1  PyTorch操作实践
      8.1.1  PyTorch安装
      8.1.2  Tensor对象及其运算
      8.1.3  Tensor的索引和切片
      8.1.4  Tensor的变换、拼接和拆分
      8.1.5  PyTorch的Reduction操作
      8.1.6  PyTorch的自动微分
    8.2  TensorFlow操作实践
      8.2.1  TensorFlow安装
      8.2.2  Tensor对象及其运算
      8.2.3  Tensor的索引和切片
      8.2.4  Tensor的变换、拼接和拆分
      8.2.5  TensorFlow的Reduction操作
      8.2.6  TensorFlow的自动微分
    8.3  PaddlePaddle操作实践
      8.3.1  PaddlePaddle安装
      8.3.2  Tensor的创建和初始化
      8.3.3  Tensor的常见基础操作
      8.3.4  自动微分
    8.4  本章小结
  第9章  人工智能热门研究领域实验
    9.1  计算机视觉
      9.1.1  一个通用的图像分类模型

      9.1.2  两阶段目标检测和语义分割
      9.1.3  人物图像处理
      9.1.4  调用远程服务
      9.1.5  动漫图像生成
    9.2  自然语言处理
      9.2.1  垃圾邮件分类
      9.2.2  词嵌入技术
      9.2.3  文本生成与多轮对话
      9.2.4  语音识别
    9.3  强化学习：一个会玩平衡摆的智能体
    9.4  可视化技术
      9.4.1  使用TensorBoard可视化训练过程
      9.4.2  卷积核可视化
      9.4.3  注意力机制可视化
    9.5  本章小结
第3部分  深度学习案例
  第10章  案例：花卉图片分类
    10.1  环境与数据准备
      10.1.1  环境安装
      10.1.2  数据集简介
      10.1.3  数据集下载与处理
    10.2  模型创建、训练和测试
      10.2.1  模型创建与训练
      10.2.2  测试与结果
    10.3  本章小结
  第11章  案例：人脸关键点检测
    11.1  数据准备
      11.1.1  人脸裁剪与缩放
      11.1.2  数据归一化处理
      11.1.3  整体代码
    11.2  模型搭建与训练
      11.2.1  特征图生成
      11.2.2  模型搭建
      11.2.3  模型训练
    11.3  模型评价
    11.4  本章小结
  第12章  案例：街景门牌字符识别
    12.1  背景介绍
    12.2  算法介绍
      12.2.1  YOLOv4
      12.2.2  算法流程
    12.3  模型优化
      12.3.1  数据增强
      12.3.2  模型融合
    12.4  结果展示
    12.5  本章小结
  第13章  案例：对抗攻击
    13.1  对抗攻击简介
      13.1.1  对抗攻击的分类和主要难点
      13.1.2  快速梯度符号法的基本原理

      13.1.3  对抗贴图攻击
    13.2  基于PyTorch的对抗攻击实现
      13.2.1  环境配置
      13.2.2  数据集和目标模型
      13.2.3  运行目标检测器SSD
      13.2.4  在指定位置生成对抗贴图
      13.2.5  解决梯度回传问题
    13.3  本章小结
  第14章  案例：车牌识别
    14.1  车牌识别简介
      14.1.1  车牌识别应用及发展史
      14.1.2  基于深度学习的车牌识别技术
    14.2  基于PaddleOCR的车牌识别实现
      14.2.1  PaddleOCR简介与环境准备
      14.2.2  CCPD数据集介绍
      14.2.3  数据集准备与预处理
      14.2.4  模型选择与训练
    14.3  本章小结
  第15章  案例：小度熊图片的实例分割
    15.1  实例分割应用场景
    15.2  基于PaddleX的实例分割实现
      15.2.1  PaddleX简介与环境准备
      15.2.2  数据集介绍
      15.2.3  模型介绍与训练
      15.2.4  模型评估与预测
    15.3  本章小结
  第16章  案例：照片风格迁移
    16.1  数据集介绍
    16.2  模型介绍与构建
      16.2.1  CycleGAN简介
      16.2.2  模型结构
    16.3  模型实现
    16.4  细节分析
      16.4.1  标准化（Normalization）
      16.4.2  PatchGAN
      16.4.3  损失函数（Loss Function）
      16.4.4  ReplayBuffer
    16.5  结果展示
    16.6  可视化验证
    16.7  本章小结
  第17章  案例：IMDb评论情感判断
    17.1  数据的读取和预处理
      17.1.1  数据读取
      17.1.2  数据预处理
      17.1.3  数据存储
    17.2  模型训练
      17.2.1  模型和数据集加载
      17.2.2  优化器和参数设置
      17.2.3  模型训练过程
    17.3  结果检验

    17.4  本章小结
  第18章  基于Transformer的片段抽取式机器阅读理解
    18.1  模型介绍
      18.1.1  Transformer
      18.1.2  Self-Attention Layer
      18.1.3  Layer Normalization
      18.1.4  BERT
      18.1.5  RoBERTa
    18.2  数据集和评估指标
    18.3  本章小结
  第19章  基于Stable Diffusion的图像生成
    19.1  Stable Diffusion技术基础
      19.1.1  什么是Stable Diffusion
      19.1.2  Stable Diffusion模型组成
      19.1.3  Stable Diffusion Web UI界面
      19.1.4  Diffusers库
    19.2  文本生成图像
      19.2.1  环境准备
      19.2.2  基于Diffusers的代码实现
      19.2.3  文生图实现原理
    19.3  本章小结
附录  深度学习的数学基础
  附录A  线性代数
  附录B  概率论
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目