- 深度学习项目应用开发(微课视频版产教融合新形态计算机系列教材)
- - 作者：编者:简显锐//吴青峰//刘一畅//熊懿|责编:温明洁//薛阳
  - 出版社：清华大学
  - ISBN：9787302674481
  - 出版日期：2024/12/01
  - 页数：191
- 售价：19.96

内容大纲
    本书是一本全面深入的深度学习实践指导书，旨在为读者提供从基础概念到高级应用的系统性知识。
    本书第1章从基础开始，介绍了PyTorch工具，涵盖了数据的加载与预处理，以及基础网络构建和训练流程。第2章深入图像分类，探讨了CNN架构、数据增强技术，以及模型优化和部署策略。第3章转向创造性图像应用，包括风格迁移、Deep Dream、GAN和超分辨率技术，并讨论了CycleGAN的应用。第4章专注于视觉系统，讲解了目标检测、语义分割以及相关网络结构。第5章和第6章分别探讨了循环神经网络在文本情感分析中的应用，以及NLP领域的预训练模型和注意力机制，包括BERT模型的实践。
    本书适合作为高等院校计算机、软件工程、人工智能等相关专业的教材，也可供对深度学习感兴趣的开发人员、科技工作者和研究人员参考。
作者介绍
目录
第1章  开始深度学习之旅
  1.1  任务导学：什么是深度学习
  1.2  PyTorch基础和设置
    1.2.1  什么是PyTorch
    1.2.2  PyTorch的安装和环境配置
    1.2.3  PyTorch中的基础概念
  1.3  数据的加载、预处理和可视化分析
    1.3.1  数据的加载
    1.3.2  数据预处理：归一化、数据转换
    1.3.3  数据可视化
    1.3.4  实战
  1.4  构建和训练基础网络
    1.4.1  多层感知器（MLP）
    1.4.2  损失函数和优化器
    1.4.3  训练循环
  1.5  性能评估和改进策略
    1.5.1  性能评估
    1.5.2  正则化技术
    1.5.3  超参数调整
    1.5.4  其他策略
    1.5.5  实战
第2章  图像分类的深度探索
  2.1  任务导学：什么是图像分类
  2.2  探索卷积神经网络架构
    2.2.1  卷积层的原理和作用
    2.2.2  池化层
    2.2.3  局部感受野和权重共享的概念
    2.2.4  实战
  2.3  数据增强的实战应用
    2.3.1  翻转和裁剪
    2.3.2  改变颜色
    2.3.3  结合多种数据增强方式
  2.4  微调预训练模型和迁移学习
    2.4.1  微调预训练模型
    2.4.2  冻结和解冻网络层
  2.5  复杂数据集上的训练挑战和解决方案
    2.5.1  训练挑战
    2.5.2  优化算法
    2.5.3  批量归一化
    2.5.4  深度学习调试策略
  2.6  模型评估、调整和部署
    2.6.1  模型评估
    2.6.2  模型调整
    2.6.3  模型部署
第3章  创造性图像应用
  3.1  任务导学：什么是创造性图像应用
  3.2  实现风格迁移网络
    3.2.1  理解内容损失与风格损失
    3.2.2  特征提取
    3.2.3  迭代更新图像

  3.3  深入理解并实现Deep Dream
    3.3.1  网络激活和梯度上升
    3.3.2  多尺度处理技术
  3.4  构建生成对抗网络
    3.4.1  生成器和判别器
    3.4.2  对抗损失和训练的稳定性
    3.4.3  变分自编码器
  3.5  实战：自动图像上色
    3.5.1  条件GAN的使用
    3.5.2  颜色空间转换
    3.5.3  对抗损失和训练
  3.6  探索超分辨率技术
    3.6.1  超分辨率卷积神经网络
    3.6.2  子像素卷积层
    3.6.3  损失函数的设计
    3.6.4  评估超分辨率模型的性能
  3.7  CycleGAN与非配对图像转换
    3.7.1  非配对图像转换
    3.7.2  CycleGAN
    3.7.3  使用CycleGAN进行非配对图像转换
第4章  视觉系统应用
  4.1  任务导学：什么是目标检测与语义分割
  4.2  任务知识
    4.2.1  目标检测基础
    4.2.2  区域卷积神经网络
    4.2.3  UNet网络
  4.3  基于SSD和RNN的目标检测
    4.3.1  单发多框检测
    4.3.2  区域卷积神经网络
  4.4  基于UNet网络的语义分割
第5章  循环神经网络
  5.1  任务导学：基于深度学习方法的文本情感分析
  5.2  任务知识
    5.2.1  循环神经网络
    5.2.2  现代循环神经网络
  5.3  文本情感分析
第6章  NLP预训练与注意力机制
  6.1  任务导学：什么是模型预训练与自然语言推断
  6.2  任务知识
    6.2.1  NLP预训练机制
    6.2.2  注意力机制
  6.3  预训练BERT模型
  6.4  基于注意力机制的自然语言推断
附录A  阿尔法编程平台使用说明

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目