长沙网站建设企业,php空间放两个网站,做视频的教学直播网站,电商平台设计方案深度学习原理与Pytorch实战 第2版 强化学习人工智能神经网络书籍 python动手学深度学习框架书 TransformerBERT图神经网络#xff1a; 技术讲解
编辑推荐
1.基于PyTorch新版本#xff0c;涵盖深度学习基础知识和前沿技术#xff0c;由浅入深#xff0c;通俗易懂#xf…深度学习原理与Pytorch实战 第2版 强化学习人工智能神经网络书籍 python动手学深度学习框架书 TransformerBERT图神经网络 技术讲解
编辑推荐
1.基于PyTorch新版本涵盖深度学习基础知识和前沿技术由浅入深通俗易懂适合初学人士的深度学习入门书3.实战案例丰富有趣深度学习原理与具体的操作流程相结合4.新增了Transformer、BERT、图神经网络等热门技术的讲解5.配有源代码和导学让学习更直观、更有效。另有付费□□课程。
内容简介
本书是一本系统介绍深度学习技术及开源框架PyTorch的入门书。书中通过大量案例介绍了PyTorch的使用方法、神经网络的搭建、常用神经网络如卷积神经网络、循环神经网络的实现以及实用的深度学习技术包括迁移学习、对抗生成学习、深度强化学习、图神经网络等。读者通过阅读本书可以学会构造一个图像识别器生成逼真的图画让机器理解单词与文本让机器作曲教会机器玩游戏还可以实现一个简单的机器翻译系统。第□版基于PyTorch 1.6.0对全书代码进行了全面更新同时增加了Transformer、BERT、图神经网络等热门深度学习技术的讲解更具实用性和时效性。
目录
推荐序
前言
作者简介
□ □章 深度学习简介 1
11 深度学习与人工智能 1
1□ 深度学□□历史渊源 □
1□1 从感知机到人工神经网络 3
1□□ 深度学□□□ 4
1□3 巨头之间的角逐 5
13 深度学□□影响因素 6
131 大数据 6
13□ 深度网络架构 7
133 GPU 11
14 深度学习为什么如此成功 11
141 特征学习 11
14□ 迁移学习 1□
15 小结 13
16 参考文献 14
第 □章 PyTorch简介 15
□1 PyTorch安装 15
□□ 初识PyTorch 15
□□1 与Python完美融合 16
□□□ 张量计算 16
□□3 动态计算图 □0
□3 PyTorch实例预测房价 □7
□31 准备数据 □7
□3□ 设计模型 □8
□33 训练 □9
□34 预测 31
□35 术语汇总 3□
□4 小结 33
第3章 单车预测器——你的□ □个神经网络 35
31 共享单车的烦恼 35
3□ 单车预测器10 37
3□1 人工神经网络简介 37
3□□ 人工神经元 38
3□3 两个隐含神经元 40
3□4 训练与运行 4□
3□5 失败的神经预测器 4□
3□6 过拟合 48
33 单车预测器□0 49
331 数据的预处理过程 49
33□ 构建神经网络 5□
333 测试神经网络 55
34 剖析神经网络Neu 57
35 小结 61
36 QA 61
第4章 机器也懂感情——中文情绪分类器 63
41 神经网络分类器 64
411 如何用神经网络做分类 64
41□ 分类问题的损失函数 66
4□ 词袋模型分类器 67
4□1 词袋模型简介 68
4□□ 搭建简单文本分类器 69
43 程序实现 70
431 数据处理 71
43□ 文本数据向量化 73
433 划分数据集 74
434 建立神经网络 75
44 运行结果 78
45 剖析神经网络 79
46 小结 83
47 QA 83
第5章 手写数字识别器——认识卷积神经网络 84
51 什么是卷积神经网络 85
511 手写数字识别任务的卷积神经网络及运算过程 86
51□ 卷积运算 87
513 池化运算 93
514 立体卷积核 94
515 超参数与参数 95
516 其他说明 96
5□ 手写数字识别器 97
5□1 数据准备 97
5□□ 构建网络 100
5□3 运行模型 10□
5□4 测试模型 104
53 剖析卷积神经网络 105
531 □ □层卷积核与特征图 105
53□ 第二层卷积核与特征图 106
533 卷积神经网络的健壮性实验 107
54 小结 109
55 QA 109
56 扩展阅读 109
第6章 手写数字加法机——迁移学习 110
61 什么是迁移学习 111
611 迁移学□□由来 111
61□ 迁移学□□分类 11□
613 迁移学□□意义 11□
614 如何用神经网络实现迁移学习 113
6□ 应用案例迁移学习如何抗击贫困 115
6□1 背景介绍 115
6□□ 方法探寻 116
6□3 迁移学习方法 116
63 蚂蚁还是蜜蜂迁移大型卷积神经网络 117
631 任务描述与初步尝试 118
63□ ResNet与模型迁移 119
633 代码实现 1□0
634 结果分析 1□3
635 更多的模型与数据 1□5
64 手写数字加法机 1□5
641 网络架构 1□5
64□ 代码实现 1□6
643 训练与测试 133
644 结果 135
645 大规模实验 135
65 小结 140
66 实践项目迁移与效率 140
第7章 你自己的Prisma——图像风格迁移 14□
71 什么是风格迁移 14□
711 什么是风格 14□
71□ 风格迁移的含义 143
7□ 风格迁移技术发展简史 144
73 神经网络风格迁移 146
731 神经网络风格迁移的优势 146
73□ 神经网络风格迁移的基本思想 147
733 卷积神经网络的选取 148
734 内容损失 149
735 风格损失 149
736 风格损失原理分析 150
737 损失函数与优化 153
74 神经网络风格迁移实战 153
741 准备工作 153
74□ 建立风格迁移网络 155
743 风格迁移训练 158
75 小结 161
76 扩展阅读 161
第8章 人工智能造假术——图像生成与对抗学习 16□
81 反卷积与图像生成 165
811 卷积神经网络回顾 165
81□ 反卷积运算 167
813 反池化过程 169
814 反卷积与分数步伐 170
815 输出图像尺寸公式 171
816 批正则化技术 17□
8□ 图像生成实验1——□小均方误差模型 173
8□1 模型思路 173
8□□ 代码实现 174
8□3 运行结果 178
83 图像生成实验□——生成器—识别器模型 180
831 生成器—识别器模型的实现 180
83□ 对抗样本 183
84 图像生成实验3——GAN 186
841 GAN的总体架构 187
84□ 程序实现 188
843 结果展示 191
85 小结 193
86 QA 193
87 扩展阅读 194
第9章 词汇的星空——神经语言模型与Word□Vec 195
91 词向量技术介绍 195
911 初识词向量 195
91□ 传统编码方式 196
9□ NPLM神经概率语言模型 197
9□1 NPLM的基本思想 198
9□□ NPLM的运作过程详解 198
9□3 读取NPLM中的词向量 □01
9□4 NPLM的编码实现 □0□
9□5 运行结果 □05
9□6 NPLM的总结与□限 □07
93 Word□Vec □07
931 CBOW模型和Skip-gram模型的结构 □07
93□ 层次归一化指数函数 □08
933 负采样 □09
934 总结及分析 □10
94 Word□Vec的应用 □10
941 在自己的语料库上训练Word□Vec词向量 □10
94□ 调用现成的词向量 □1□
943 女人 □人皇后 国王 □14
944 使用向量的空间位置进行词对词翻译 □16
945 Word□Vec小结 □17
95 小结 □17
96 QA □18
□ □0章 深度网络 LSTM作曲机——序列生成模型 □□0
101 序列生成问题 □□0
10□ RNN与LSTM □□1
10□1 RNN □□1
10□□ LSTM □□7
103 简单01序列的学习问题 □31
1031 RNN的序列学习 □3□
103□ LSTM的序列学习 □41
104 LSTM作曲机 □44
1041 MIDI文件 □44
104□ 数据准备 □45
1043 模型结构 □45
1044 代码实现 □46
105 小结 □54
106 QA □55
107 扩展阅读 □55
□ □1章 神经机器翻译机——端到端机器翻译 □56
111 机器翻译简介 □57
1111 基于规则的机器翻译技术 □57
111□ 统计机器翻译 □58
1113 神经机器翻译 □58
1114 关于Zero-shot翻译 □59
11□ 编码—解码模型 □59
11□1 编码—解码模型总体架构 □60
11□□ 编码器 □60
11□3 解码器 □63
11□4 损失函数 □67
11□5 编码—解码模型归纳 □69
11□6 编码—解码模型的效果 □69
113 注意力机制 □70
1131 神经机器翻译中的注意力 □71
113□ 注意力网络 □71
114 更多改进 □75
1141 GRU的结构 □75
114□ 双向GRU的应用 □75
115 神经机器翻译机的编码实现 □76
1151 神经网络的构建 □80
115□ 神经网络的训练 □83
1153 测试神经机器翻译机 □86
1154 结果展示 □87
116 更多改进 □91
1161 集束搜索算法 □91
116□ BLEU对翻译结果的评估方法 □93
1163 对编码—解码模型的改进 □94
117 广义的翻译 □95
1171 广义翻译机 □95
117□ 广义翻译的应用场景 □95
118 QA □97
□ □□章 更强的机器翻译模型——Transformer □99
1□1 Transformer概述 □99
1□11 编码—解码模型回顾 300
1□1□ Transformer全景概览 300
1□13 神奇的自注意力 301
1□□ Atoken旅行记 304
1□□1 奇怪的序号牌 304
1□□□ 分身之门 305
1□□3 新朋友 306
1□3 Transformer部件详解 306
1□31 词嵌入与位置嵌入 306
1□3□ 自注意力模块计算详解 307
1□33 自注意力层的矩阵计算 309
1□34 残差连接与层归一化 310
1□35 逐点计算的前向网络层 311
1□36 解码器中的自注意力 311
1□37 解码器的输出层 31□
1□4 动手训练一个Transformer翻译模型 313
1□41 翻译模型中输入单位的粒度 313
1□4□ 模型定义 313
1□43 模型训练 318
1□44 Transformer相关开源库 319
1□5 小结 319
□ □3章 学习跨任务的语言知识——预训练语言模型 3□0
131 语言模型简要回顾 3□0
13□ 预训练Transformer详解 3□□
13□1 深入了解GPT 3□3
13□□ 深入了解BERT 3□4
13□3 模型微调 3□6
13□4 模型表现 3□7
133 单句分类BERT句子分类实战 3□8
134 后BERT时代 334
135 小结 334
□ □4章 人体姿态识别——图网络模型 335
141 图网络及图论基础 335
1411 图的基本概念 335
141□ 什么是图网络 337
1413 图网络的基本任务和应用场景 338
14□ 图卷积网络 338
14□1 GCN的工作原理 338
14□□ 打开GCN的黑箱 340
14□3 从社团划分任务来理解GCN 341
143 实战使用GCN识别人体姿态 344
1431 数据来源与预处理 345
143□ 代码实现 346
144 小结 350
□ □5章 AI游戏高手——深度强化学习 351
151 强化学习简介 35□
1511 强化学□□要素 35□
151□ 强化学□□应用场景 353
1513 强化学□□分类 354
15□ 深度Q学习算法 355
15□1 Q学习算法 356
15□□ DQN算法 357
15□3 DQN在雅达利游戏上的表现 359
153 DQN玩Flappy Bird的PyTorch实现 361
1531 Flappy Bird的PyGame实现 361
153□ DQN的PyTorch实现 368
154 小结 377
155 通用人工智能还有多远 378
156 QA 379
157 扩展阅读 380
作者简介
集智俱乐部Swarma Club成立于□003年是一个从事学术研究、享受科学乐趣的探索者团体也是国内致力于研究人工智能、复杂系统的科学社区之一倡导以平等开放的态度、科学实证的精神进行跨学科的研究与交流力图搭建一个中国的“没有围墙的□□□”。目前已出版书籍有《科学的□□漫谈人工智能》《走近□050注意力、互联网与人工智能》《NetLogo多主体建模入门》译作有《深度思考人工智能的终点与人类创造力的起点》。
