本書以深度學(xué)習(xí)框架PyTorch為基礎(chǔ)，介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識與常用方法，全面細(xì)致地提供了基本機(jī)器學(xué)習(xí)操作的原理和在深度學(xué)習(xí)框架下的實(shí)踐步驟。全書共16章，主要分別介紹了深度學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架及其對比，機(jī)器學(xué)習(xí)基礎(chǔ)知識，深度學(xué)習(xí)框架基礎(chǔ)，Logistic回歸，多層感知器，計算機(jī)視覺，自然語言處理以及8個實(shí)戰(zhàn)案例。本書將理論與實(shí)踐緊密結(jié)合，相信能為讀者提供有益的學(xué)習(xí)指導(dǎo)。??本書適合Pyth
電子書
內(nèi)容簡介
《Python 深度學(xué)習(xí)》以深度學(xué)習(xí)框架為基礎(chǔ)，介紹機(jī)器學(xué)習(xí)的基礎(chǔ)知識與常用方法，全面細(xì)致地提供了機(jī)器學(xué)習(xí)操作的原理及其在深度學(xué)習(xí)框架下的實(shí)踐步驟。全書共16章，分別介紹了深度學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架及其對比、機(jī)器學(xué)習(xí)基礎(chǔ)知識、深度學(xué)習(xí)框架（以PyTorch為例）基礎(chǔ)、Logistic回歸、多層感知器、卷積神經(jīng)網(wǎng)絡(luò)與計算機(jī)視覺、神經(jīng)網(wǎng)絡(luò)與自然語言處理以及8個實(shí)戰(zhàn)案例。本書將理論與實(shí)踐緊密結(jié)合，相信能為讀者提供有益的學(xué)習(xí)指導(dǎo)。 《Python 深度學(xué)習(xí)》適合Python深度學(xué)習(xí)初學(xué)者、機(jī)器學(xué)習(xí)算法分析從業(yè)人員以及高等院校計算機(jī)科學(xué)、軟件工程等相關(guān)專業(yè)的師生閱讀。
章節(jié)目錄
- 封面
- 書名頁
- 版權(quán)頁
- 前言
- 目錄
- 第1章 深度學(xué)習(xí)簡介
- 1.1 計算機(jī)視覺
- 1.1.1 定義
- 1.1.2 基本任務(wù)
- 1.1.3 傳統(tǒng)方法
- 1.1.4 仿生學(xué)與深度學(xué)習(xí)
- 1.1.5 現(xiàn)代深度學(xué)習(xí)
- 1.1.6 卷積神經(jīng)網(wǎng)絡(luò)
- 1.2 自然語言處理
- 1.2.1 自然語言處理的基本問題
- 1.2.2 傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法的比較
- 1.2.3 發(fā)展趨勢
- 1.3 強(qiáng)化學(xué)習(xí)
- 1.3.1 什么是強(qiáng)化學(xué)習(xí)
- 1.3.2 強(qiáng)化學(xué)習(xí)算法簡介
- 1.3.3 強(qiáng)化學(xué)習(xí)的應(yīng)用
- 1.4 本章小結(jié)
- 第2章 深度學(xué)習(xí)框架及其對比
- 2.1 Caffe
- 2.1.1 Caffe簡介
- 2.1.2 Caffe的特點(diǎn)
- 2.1.3 Caffe層及其網(wǎng)絡(luò)
- 2.2 TensorFlow
- 2.2.1 TensorFlow簡介
- 2.2.2 數(shù)據(jù)流圖
- 2.2.3 TensorFlow的特點(diǎn)
- 2.2.4 TensorFlow的計算形式
- 2.3 PyTorch
- 2.3.1 PyTorch簡介
- 2.3.2 PyTorch的特點(diǎn)
- 2.3.3 PyTorch的最大優(yōu)勢
- 2.4 三者的比較
- 2.5 本章小結(jié)
- 第3章 機(jī)器學(xué)習(xí)基礎(chǔ)知識
- 3.1 模型評估與模型參數(shù)選擇
- 3.1.1 驗(yàn)證
- 3.1.2 正則化
- 3.2 監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)
- 3.2.1 監(jiān)督學(xué)習(xí)
- 3.2.2 非監(jiān)督學(xué)習(xí)
- 3.3 本章小結(jié)
- 第4章 PyTorch深度學(xué)習(xí)基礎(chǔ)
- 4.1 Tensor對象及其運(yùn)算
- 4.2 Tensor的索引和切片
- 4.3 Tensor的變換、拼接和拆分
- 4.4 PyTorch的Reduction操作
- 4.5 PyTorch的自動微分Autograd
- 4.6 本章小結(jié)
- 第5章 回歸模型
- 5.1 線性回歸
- 5.2 Logistic回歸
- 5.3 用PyTorch實(shí)現(xiàn)Logistic回歸
- 5.3.1 數(shù)據(jù)準(zhǔn)備
- 5.3.2 線性方程
- 5.3.3 激活函數(shù)
- 5.3.4 損失函數(shù)
- 5.3.5 優(yōu)化算法
- 5.3.6 模型可視化
- 5.4 本章小結(jié)
- 第6章 多層感知器
- 6.1 基礎(chǔ)概念
- 6.2 感知器
- 6.2.1 單層感知器
- 6.2.2 多層感知器
- 6.3 BP神經(jīng)網(wǎng)絡(luò)
- 6.3.1 梯度下降
- 6.3.2 后向傳播
- 6.4 Dropout正則化
- 6.5 批標(biāo)準(zhǔn)化
- 6.5.1 批標(biāo)準(zhǔn)化的實(shí)現(xiàn)方式
- 6.5.2 批標(biāo)準(zhǔn)化的使用方法
- 6.6 本章小結(jié)
- 第7章 卷積神經(jīng)網(wǎng)絡(luò)與計算機(jī)視覺
- 7.1 卷積神經(jīng)網(wǎng)絡(luò)的基本思想
- 7.2 卷積操作
- 7.3 池化層
- 7.4 卷積神經(jīng)網(wǎng)絡(luò)
- 7.5 經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)
- 7.5.1 VGG網(wǎng)絡(luò)
- 7.5.2 InceptionNet
- 7.5.3 ResNet
- 7.6 用PyTorch進(jìn)行手寫數(shù)字識別
- 7.7 本章小結(jié)
- 第8章 神經(jīng)網(wǎng)絡(luò)與自然語言處理
- 8.1 語言建模
- 8.2 基于多層感知器的架構(gòu)
- 8.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的架構(gòu)
- 8.3.1 循環(huán)單元
- 8.3.2 通過時間后向傳播
- 8.3.3 帶有門限的循環(huán)單元
- 8.3.4 循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型
- 8.3.5 神經(jīng)機(jī)器翻譯
- 8.4 基于卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)
- 8.5 基于Transformer的架構(gòu)
- 8.5.1 多頭注意力
- 8.5.2 非參位置編碼
- 8.5.3 編碼器單元與解碼器單元
- 8.6 表示學(xué)習(xí)與預(yù)訓(xùn)練技術(shù)
- 8.6.1 詞向量
- 8.6.2 加入上下文信息的特征表示
- 8.6.3 網(wǎng)絡(luò)預(yù)訓(xùn)練
- 8.7 本章小結(jié)
- 第9章 使用TensorFlow進(jìn)行基于YOLO V3的安全帽佩戴檢測
- 9.1 數(shù)據(jù)準(zhǔn)備
- 9.1.1 數(shù)據(jù)采集與標(biāo)注
- 9.1.2 模型和框架選擇
- 9.1.3 數(shù)據(jù)格式轉(zhuǎn)換
- 9.2 模型構(gòu)建、訓(xùn)練和測試
- 9.2.1 YOLO系列模型
- 9.2.2 模型訓(xùn)練
- 9.2.3 測試與結(jié)果
- 9.3 本章小結(jié)
- 第10章 使用Keras進(jìn)行人臉關(guān)鍵點(diǎn)檢測
- 10.1 深度學(xué)習(xí)模型
- 10.1.1 數(shù)據(jù)集獲取
- 10.1.2 卷積神經(jīng)網(wǎng)絡(luò)的搭建與訓(xùn)練
- 10.2 模型評價
- 10.3 本章小結(jié)
- 第11章 使用PyTorch實(shí)現(xiàn)基于卷積神經(jīng)網(wǎng)絡(luò)的充電寶識別
- 11.1 機(jī)器學(xué)習(xí)常用的Python工具庫
- 11.1.1 PyTorch
- 11.1.2 NumPy
- 11.2 數(shù)據(jù)樣本分析
- 11.3 數(shù)據(jù)預(yù)處理
- 11.4 算法模型
- 11.4.1 卷積神經(jīng)網(wǎng)絡(luò)
- 11.4.2 激活函數(shù)
- 11.4.3 模型建立
- 11.5 本章小結(jié)
- 第12章 使用PyTorch實(shí)現(xiàn)基于詞級別的情感分析
- 12.1 數(shù)據(jù)集的處理
- 12.2 模型的搭建
- 12.2.1 MemNet模型
- 12.2.2 IAN模型
- 12.2.3 AOA模型
- 12.3 訓(xùn)練和評測
- 12.4 本章小結(jié)
- 第13章 基于生成式對抗網(wǎng)絡(luò)（GAN）生成動漫人物
- 13.1 反卷積網(wǎng)絡(luò)與GAN
- 13.2 DCGAN
- 13.3 基于DCGAN的動漫人物生成
- 13.4 本章小結(jié)
- 第14章 使用Keras進(jìn)行基于遷移學(xué)習(xí)的電影評論分類
- 14.1 遷移學(xué)習(xí)概述
- 14.2 IMDB數(shù)據(jù)集
- 14.3 構(gòu)建模型解決IMDB數(shù)據(jù)集分類問題
- 14.4 本章小結(jié)
- 第15章 使用PyTorch實(shí)現(xiàn)圖像超分辨
- 15.1 SRCNN介紹
- 15.2 技術(shù)方案及核心代碼
- 15.2.1 訓(xùn)練的幾個要點(diǎn)
- 15.2.2 構(gòu)造數(shù)據(jù)
- 15.2.3 構(gòu)建SRCNN的結(jié)構(gòu)
- 15.2.4 訓(xùn)練模型
- 15.3 本章小結(jié)
- 第16章 使用Keras搭建人工神經(jīng)網(wǎng)絡(luò)來生成原創(chuàng)音樂
- 16.1 樣例背景介紹
- 16.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)
- 16.1.2 Music21
- 16.1.3 Keras
- 16.2 項目結(jié)構(gòu)設(shè)計
- 16.3 實(shí)踐步驟
- 16.3.1 搭建實(shí)驗(yàn)環(huán)境
- 16.3.2 觀察并分析數(shù)據(jù)
- 16.3.3 數(shù)據(jù)預(yù)處理
- 16.3.4 模型構(gòu)建
- 16.3.5 生成音樂
- 16.4 成果檢驗(yàn)
- 16.5 本章小結(jié)
- 附錄
- 附錄A PyTorch環(huán)境搭建
- A.1 Linux平臺下PyTorch環(huán)境搭建
- A.2 Windows平臺下PyTorch環(huán)境搭建
- 附錄B TensorFlow深度學(xué)習(xí)環(huán)境介紹與搭建
- B.1 TensorFlow與Keras
- B.2 Anaconda的介紹與安裝配置
- B.3 PyCharm的安裝與配置
- 附錄C 深度學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)
- C.1 線性代數(shù)
- C.2 概率論
- 參考文獻(xiàn)
- 封底
展開全部
Python 深度學(xué)習(xí)是2020年由機(jī)械工業(yè)出版社出版,作者呂云翔 劉卓然 關(guān)捷雄 等編著。
溫馨提示：
1.本電子書已獲得正版授權(quán)，由出版社通過知傳鏈發(fā)行。
2.該電子書為虛擬物品，付費(fèi)之后概不接收任何理由退款。電子書內(nèi)容僅支持在線閱讀，不支持下載。
3.您在本站購買的閱讀使用權(quán)僅限于您本人閱讀使用，您不得/不能給任何第三方使用，由此造成的一切相關(guān)后果本平臺保留向您追償索賠的權(quán)利！版權(quán)所有，后果自負(fù)！
得書感謝您對《Python 深度學(xué)習(xí)》關(guān)注和支持，如本書內(nèi)容有不良信息或侵權(quán)等情形的，請聯(lián)系本網(wǎng)站。
電子書
電子書
本書分為三個部分。第一部分是原理篇，實(shí)現(xiàn)了MatrixSlow框架的核心基礎(chǔ)設(shè)施，并基于此講解了機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的概念和原理。第二部分是模型篇，介紹了多種具有代表性的模型，包括邏輯回歸、多層全連接神經(jīng)網(wǎng)絡(luò)、因子分解機(jī)、Wide&Deep、DeepFM、循環(huán)神經(jīng)網(wǎng)絡(luò)以及卷積神經(jīng)網(wǎng)絡(luò)，這部分除了著重介紹這些模型的原理、結(jié)構(gòu)以及它們之間的聯(lián)系外，還用MatrixSlow框架搭建并訓(xùn)練它們以解決實(shí)際問題
電子書
本書基于Python以及兩個深度學(xué)習(xí)框架Keras與TensorFlow，講述深度學(xué)習(xí)在實(shí)際項目中的應(yīng)用。本書共10章，首先介紹線性回歸模型、邏輯回歸模型、Softmax多分類器，然后講述全連接神經(jīng)網(wǎng)絡(luò)、神經(jīng)網(wǎng)絡(luò)模型的優(yōu)化、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)，最后討論自編碼模型、對抗生成網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)。
電子書
機(jī)器學(xué)習(xí)是人工智能領(lǐng)域一個極其重要的研究方向，而深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)中一個非常接近AI的分支，其思路在于建立進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，模仿人腦感知與組織的方式，根據(jù)輸入數(shù)據(jù)做出決策。深度學(xué)習(xí)在快速的發(fā)展過程中，不斷有與其相關(guān)的產(chǎn)品推向市場，顯然，深度學(xué)習(xí)的應(yīng)用將會日趨廣泛。《Python深度學(xué)習(xí)：邏輯、算法與編程實(shí)戰(zhàn)》是關(guān)于深度學(xué)習(xí)的理論、算法、應(yīng)用的實(shí)戰(zhàn)教程，內(nèi)容涵蓋深度學(xué)習(xí)的語言、學(xué)習(xí)環(huán)境、典型
電子書
本書是面向計算機(jī)及相關(guān)專業(yè)的專業(yè)英語課程的教材，它全面介紹和講解了深刻影響著我們生活的信息技術(shù)，內(nèi)容包括**新科研成果、業(yè)界前沿課題和發(fā)展趨勢，又有計算機(jī)文化典故和名人軼事等。本教材注重英語聽、說、讀、寫、譯的全面發(fā)展和實(shí)際應(yīng)用。各章內(nèi)容均分為閱讀與翻譯、寫作、聽說三大部分。聽、說、讀、寫、譯全方位訓(xùn)練可使讀者掌握英語交流所具備的基本技能及計算機(jī)相關(guān)知識。
電子書
本書共12章，內(nèi)容涉及軟件與軟件工程、軟件過程、可行性研究與項目開發(fā)計劃、結(jié)構(gòu)化分析、結(jié)構(gòu)化設(shè)計、面向?qū)ο蠓椒ㄅc統(tǒng)一建模語言、面向?qū)ο蠓治觥④浖w系結(jié)構(gòu)與設(shè)計模式、面向?qū)ο笤O(shè)計、軟件實(shí)現(xiàn)、軟件測試與維護(hù)、軟件工程管理。
電子書
本書較為全面、系統(tǒng)地介紹了當(dāng)前軟件測試領(lǐng)域的理論和實(shí)踐知識，涵蓋了最新的軟件測試?yán)碚?、?biāo)準(zhǔn)、技術(shù)和工具。全書共14章，內(nèi)容包括軟件測試概述、軟件測試模型、靜態(tài)測試與動態(tài)測試、白盒測試、黑盒測試、單元測試、集成測試、系統(tǒng)測試、驗(yàn)收測試、軟件測試管理、面向?qū)ο筌浖y試、軟件測試自動化、缺陷跟蹤管理、單元測試工具JUnit、接口測試工具、負(fù)載測試工具LoadRunner、網(wǎng)上書店系統(tǒng)測試、生活小工具微服
電子書
用戶界面在當(dāng)下的網(wǎng)絡(luò)世界中無處不在，是人與計算機(jī)進(jìn)行交流的窗口?！禪I交互設(shè)計與開發(fā)實(shí)戰(zhàn)》從軟件工程的角度出發(fā)，以軟件周期開發(fā)模型為參考，深入講解了用戶界面設(shè)計中各環(huán)節(jié)的具體內(nèi)容，并以豐富的圖片案例形式介紹用戶界面設(shè)計如何將交互體驗(yàn)與視覺美觀融為一體，也使用了大量可讀代碼展示用戶界面是如何實(shí)現(xiàn)的?！禪I交互設(shè)計與開發(fā)實(shí)戰(zhàn)》分為三部分：第壹部分（第1章）主要介紹用戶界面歷史及界面設(shè)計的相關(guān)概念，闡述
