中文字幕秒播区国产在线观看 ,91在线精品免费观看

《深度學(xué)習(xí)基礎(chǔ)教程》是真正適合深度學(xué)習(xí)初學(xué)者的入門書籍，全書沒有任何復(fù)雜的數(shù)學(xué)推導(dǎo)�！渡疃葘W(xué)習(xí)基礎(chǔ)教程》首先介紹了深度學(xué)習(xí)的優(yōu)勢和面臨的挑戰(zhàn)、深度學(xué)習(xí)采用深層架構(gòu)的動機(jī)、學(xué)習(xí)深度學(xué)習(xí)需要的數(shù)學(xué)知識和硬件知識以及深度學(xué)習(xí)常用的軟件框架。然后對多層感知機(jī)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、受限玻耳茲曼機(jī)（RBM）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體—長短時記憶（LSTM）網(wǎng)絡(luò)進(jìn)行了詳細(xì)介紹，并且以獨立章節(jié)重點闡述了CNN在計算機(jī)視覺中的應(yīng)用、RNN在自然語言處理中的應(yīng)用以及深度學(xué)習(xí)在多模態(tài)學(xué)習(xí)領(lǐng)域中的應(yīng)用。隨后，本書介紹了深度強(qiáng)化學(xué)習(xí)的基本知識，給出了應(yīng)用深度學(xué)習(xí)技術(shù)需要的許多實用技巧并概述了深度學(xué)習(xí)的一些新方向和新應(yīng)用。

深度學(xué)習(xí)是科技界最具突破性的發(fā)展趨勢，已經(jīng)跨越研發(fā)實驗室應(yīng)用到生產(chǎn)環(huán)境中。它是通過數(shù)據(jù)的多個隱藏層進(jìn)行深入洞察的科學(xué)和藝術(shù)。目前，深度學(xué)習(xí)是圖像識別、物體識別和自然語言處理（NLP）問題解決方案的最佳提供者之一。從溫習(xí)機(jī)器學(xué)習(xí)開始，《深度學(xué)習(xí)基礎(chǔ)教程》將快速地進(jìn)入深度學(xué)習(xí)的基本原理及其實現(xiàn)。隨后，將向讀者介紹不同類型的神經(jīng)網(wǎng)絡(luò)及其在現(xiàn)實世界中的應(yīng)用。在具有啟發(fā)性示例的幫助下，讀者將學(xué)習(xí)使用深層神經(jīng)網(wǎng)絡(luò)識別模式，并了解數(shù)據(jù)操作和分類等重要概念。采用基于深度學(xué)習(xí)的強(qiáng)化學(xué)習(xí)技術(shù)，將可以構(gòu)建超越人類的人工智能（AI）。另外，將學(xué)習(xí)如何使用LSTM網(wǎng)絡(luò)。閱讀《深度學(xué)習(xí)基礎(chǔ)教程》的過程中，將遇到各種不同的框架和庫，如TensorFlow、Python和Nvidia等。在本書的最后，讀者將能夠為自己的應(yīng)用部署一個面向生產(chǎn)的深度學(xué)習(xí)框架。讀者對象如果你是一個希望為自己的商業(yè)應(yīng)用構(gòu)建深度學(xué)習(xí)動力的富有抱負(fù)的數(shù)據(jù)科學(xué)家、深度學(xué)習(xí)愛好者或人工智能研究人員，那么本書能夠成為你開始處理人工智能挑戰(zhàn)的完美資源。為了充分利用本書，你必須具備中級Python技能，并且熟悉機(jī)器學(xué)習(xí)概念�！渡疃葘W(xué)習(xí)基礎(chǔ)教程》內(nèi)容第1章是為什么進(jìn)行深度學(xué)習(xí)，對深度學(xué)習(xí)進(jìn)行了概述。本章將首先介紹深度學(xué)習(xí)的歷史、興起及其在一些領(lǐng)域的最新進(jìn)展。隨后還將介紹深度學(xué)習(xí)的一些挑戰(zhàn)及其未來潛力。第2章是為深度學(xué)習(xí)做準(zhǔn)備，是培養(yǎng)自己進(jìn)行深度學(xué)習(xí)實驗并在現(xiàn)實世界中應(yīng)用深度學(xué)習(xí)技術(shù)的起點。本章將回答關(guān)于深度學(xué)習(xí)入門所需技能和概念的一些關(guān)鍵問題。本章內(nèi)容包括線性代數(shù)的一些基本概念、深度學(xué)習(xí)實現(xiàn)的硬件要求，以及一些主流的深度學(xué)習(xí)軟件框架。本章還將研究在基于云的GPU實例上從零開始搭建一個深度學(xué)習(xí)系統(tǒng)。第3章是神經(jīng)網(wǎng)絡(luò)入門，重點介紹神經(jīng)網(wǎng)絡(luò)的基本知識，包括輸入/輸出層、隱藏層，以及網(wǎng)絡(luò)如何通過前向和反向傳播進(jìn)行學(xué)習(xí)。本章將從標(biāo)準(zhǔn)多層感知機(jī)網(wǎng)絡(luò)及其構(gòu)建模塊開始，說明它們是如何逐步學(xué)習(xí)的。隨后還將介紹一些主流的標(biāo)準(zhǔn)模型，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、受限玻耳茲曼機(jī)（RBM）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體——長短時記憶（LSTM）網(wǎng)絡(luò)。第4章是計算機(jī)視覺中的深度學(xué)習(xí)，對CNN進(jìn)行了詳細(xì)解釋。本章將講解CNN工作所必需的核心概念以及它們?nèi)绾伪挥脕斫鉀Q現(xiàn)實世界中的計算機(jī)視覺問題。本章將介紹一些主流的CNN架構(gòu)，并且還將使用TensorFlow實現(xiàn)一個基本的CNN。第5章是自然語言處理中的向量表示，涵蓋了基于深度學(xué)習(xí)進(jìn)行自然語言處理的基礎(chǔ)知識。本章將介紹自然語言處理中一些主流的用于特征表示的詞嵌入技術(shù)，涵蓋的模型有Word2Vec、GloVe和FastText等。本章還包括一個使用TensorFlow進(jìn)行嵌入訓(xùn)練的示例。第6章是高級自然語言處理，采用以模型為中心的方法進(jìn)行文本處理。本章將討論一些核心模型，如RNN和LSTM網(wǎng)絡(luò)。本章將介紹使用TensorFlow實現(xiàn)一個LSTM網(wǎng)絡(luò)的示例，并描述LSTM網(wǎng)絡(luò)常用文本處理應(yīng)用背后的基本架構(gòu)。第7章是多模態(tài)，介紹了采用深度學(xué)習(xí)處理多模態(tài)的一些基本進(jìn)展。本章也分享了一些新穎、先進(jìn)的深度學(xué)習(xí)多模態(tài)應(yīng)用。第8章是深度強(qiáng)化學(xué)習(xí)，涵蓋了強(qiáng)化學(xué)習(xí)的基礎(chǔ)知識，同時闡述了怎樣應(yīng)用深度學(xué)習(xí)改進(jìn)強(qiáng)化學(xué)習(xí)。本章主要介紹了使用TensorFlow進(jìn)行深度強(qiáng)化學(xué)習(xí)的基本實現(xiàn)，并討論了深度強(qiáng)化學(xué)習(xí)的一些主流應(yīng)用。第9章是深度學(xué)習(xí)的技巧，為讀者提供了在使用深度學(xué)習(xí)時可以采用的許多實用技巧，如網(wǎng)絡(luò)權(quán)值初始化的最佳實踐、學(xué)習(xí)參數(shù)調(diào)整、如何防止過擬合以及在面對數(shù)據(jù)挑戰(zhàn)時如何準(zhǔn)備數(shù)據(jù)以便更好地學(xué)習(xí)。第10章是深度學(xué)習(xí)的發(fā)展趨勢，總結(jié)了即將到來的一些深度學(xué)習(xí)想法。它著眼于新開發(fā)算法中的一些即將出現(xiàn)的趨勢以及一些深度學(xué)習(xí)的新應(yīng)用。閱讀建議為了充分利用《深度學(xué)習(xí)基礎(chǔ)教程》，讀者需要按照我們提供的如下建議進(jìn)行閱讀：第一，建議至少對Python編程和機(jī)器學(xué)習(xí)有一些基本的了解。第二，在閱讀第3章及其之后的章節(jié)之前，一定要遵循第2章的設(shè)置說明。需要設(shè)置自己的編程環(huán)境，以便于能夠練習(xí)書中的示例代碼。第三，讓自己熟悉TensorFlow并閱讀其文檔。TensorFlow文檔(https://www.tensorflow.org/api_docs/)是一個很好的信息資源，其包含了大量很好且重要的示例。也可以在網(wǎng)上查看各種開源示例和深度學(xué)習(xí)相關(guān)的資源。第四，一定要親自探索。對于不需要太多計算時間的簡單問題嘗試不同的設(shè)置或配置，這有助于快速了解模型如何工作以及如何調(diào)整參數(shù)。最后，深入研究每種類型的模型。本書用樸素的語言解釋了各種深度學(xué)習(xí)模型的要點并且避免了太多的數(shù)學(xué)描述，其目的是幫助讀者了解神經(jīng)網(wǎng)絡(luò)的底層機(jī)制。雖然目前有許多不同的開源工具可以提供高級API，但是對深度學(xué)習(xí)的良好理解將對調(diào)試和改進(jìn)模型性能大有裨益。下載示例代碼文件讀者可以在網(wǎng)站www.packtpub.com上登錄自己的賬戶，下載《深度學(xué)習(xí)基礎(chǔ)教程》的示例代碼文件。如果是從其他渠道購買的本書，可以訪問網(wǎng)址：www.packtpub.com/support。注冊之后，可以收到通過郵件直接發(fā)送過來的文件。可以根據(jù)

譯者序原書前言第 1章　為什么進(jìn)行深度學(xué)習(xí) // 1 1.1　什么是人工智能和深度學(xué)習(xí) // 1 1.2　深度學(xué)習(xí)的歷史及其興起 // 2 1.3　為什么進(jìn)行深度學(xué)習(xí) // 7 1.3.1　相比于傳統(tǒng)淺層方法的優(yōu)勢 // 7 1.3.2　深度學(xué)習(xí)的影響 //8 1.4　深層架構(gòu)的動機(jī) // 9 1.4.1　神經(jīng)的觀點 // 10 1.4.2　特征表示的觀點 // 10 1.5　應(yīng)用 //14 1.5.1　盈利性應(yīng)用 // 14 1.5.2　成功案例 // 14 1.5.3　面向企業(yè)的深度學(xué)習(xí) // 19 1.6　未來的潛力和挑戰(zhàn) // 20 1.7　小結(jié) //21第 2章　為深度學(xué)習(xí)做準(zhǔn)備 // 22 2.1　線性代數(shù)的基礎(chǔ)知識 // 22 2.1.1　數(shù)據(jù)表示 // 22 2.1.2　數(shù)據(jù)操作 // 23 2.1.3　矩陣屬性 // 24 2.2　使用GPU進(jìn)行深度學(xué)習(xí) // 24 2.2.1　深度學(xué)習(xí)硬件指南 // 26 2.3　深度學(xué)習(xí)軟件框架 // 27 2.3.1　TensorFlow // 27 2.3.2　Caffe // 27 2.3.3　MXNet // 28 2.3.4　Torch // 28 2.3.5　Theano // 28 2.3.6　CNTK // 29 2.3.7　Keras // 29 2.3.8　框架比較 // 292.4　基本亞馬遜網(wǎng)絡(luò)服務(wù)的深度學(xué)習(xí)開發(fā)環(huán)境配置 // 30 2.4.1　從零開始配置 // 30 2.4.2　基于Docker的配置 // 33 2.5　小結(jié) //34第 3章　神經(jīng)網(wǎng)絡(luò)入門 // 35 3.1　多層感知機(jī) // 35 3.1.1　輸入層 // 36 3.1.2　輸出層 // 36 3.1.3　隱藏層 // 36 3.1.4　激活函數(shù) // 36 3.2　如何進(jìn)行網(wǎng)絡(luò)學(xué)習(xí) // 39 3.2.1　權(quán)值初始化 // 39 3.2.2　前向傳播 // 39 3.2.3　反向傳播 // 40 3.2.4　梯度消失與爆炸 // 42 3.2.5　優(yōu)化算法 // 42 3.2.6　正則化 // 43 3.3　深度學(xué)習(xí)模型 // 433.3.1　卷積神經(jīng)網(wǎng)絡(luò) // 43 3.3.2　受限玻耳茲曼機(jī) // 47 3.3.3　循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN/LSTM網(wǎng)絡(luò)）// 50 3.3.4　RNN中的單元及其展開 // 51 3.3.5　通過時間的反向傳播 // 51 3.3.6　梯度消失與 LSTM網(wǎng)絡(luò) // 51 3.3.7　LSTM網(wǎng)絡(luò)中的單元和網(wǎng)關(guān) // 52 3.4　應(yīng)用示例 //53 3.4.1　TensorFlow設(shè)置與關(guān)鍵概念 // 53 3.4.2　手寫數(shù)字識別 // 54 3.5　小結(jié) //57第 4章　計算機(jī)視覺中的深度學(xué)習(xí) // 58 4.1　卷積神經(jīng)網(wǎng)絡(luò)的起源 // 58 4.2　卷積神經(jīng)網(wǎng)絡(luò) // 59 4.2.1　數(shù)據(jù)變換 // 61 4.2.2　網(wǎng)絡(luò)層 // 62 4.2.3　網(wǎng)絡(luò)初始化 // 65 4.2.4　正則化 // 66 4.2.5　損失函數(shù) // 67 4.2.6　模型可視化 // 68 4.2.7　手寫數(shù)字分類示例 // 69 4.3　微調(diào)卷積神經(jīng)網(wǎng)絡(luò) // 71 4.4　主流的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu) // 72 4.4.1　AlexNet // 72 4.4.2　VGG // 72 4.4.3　GoogLeNet // 734.4.4　ResNet // 73 4.5　小結(jié) //74第 5章　自然語言處理中的向量表示 // 75 5.1　傳統(tǒng)的自然語言處理 // 75 5.1.1　BoW // 75 5.1.2　帶權(quán)的 tf-idf // 76 5.2　基于深度學(xué)習(xí)的自然語言處理 // 77 5.2.1　動機(jī)及分散式表示法 // 77 5.2.2　詞嵌入 // 78 5.2.3　Word2Vec // 81 5.2.4　了解 GloVe // 92 5.2.5　FastText // 92 5.3　應(yīng)用 //93 5.3.1　使用示例 // 93 5.3.2　微調(diào) // 93 5.4　小結(jié) //94第 6章　高級自然語言處理 // 95 6.1　面向文本的深度學(xué)習(xí) // 95 6.1.1　神經(jīng)網(wǎng)絡(luò)的局限性 // 95 6.2　循環(huán)神經(jīng)網(wǎng)絡(luò) // 96 6.2.1　RNN架構(gòu) // 97 6.2.2　基本的RNN模型 // 98 6.2.3　訓(xùn)練RNN很難 // 98 6.3　LSTM網(wǎng)絡(luò) //99 6.3.1　使用TensorFlow實現(xiàn)LSTM網(wǎng)絡(luò) // 101 6.4　應(yīng)用 //103 6.4.1　語言建模 // 103 6.4.2　序列標(biāo)注 // 104 6.4.3　機(jī)器翻譯 // 106 6.4.4　聊天機(jī)器人 // 1096.5　小結(jié) //110第 7章　多模態(tài) // 111 7.1　什么是多模態(tài)學(xué)習(xí) // 111 7.2　多模態(tài)學(xué)習(xí)的挑戰(zhàn) // 111 7.2.1　模態(tài)表示 // 112 7.2.2　模態(tài)轉(zhuǎn)換 // 112 7.2.3　模態(tài)對齊 // 1127.2.4　模態(tài)融合 // 113 7.2.5　協(xié)同學(xué)習(xí) // 113 7.3　圖像標(biāo)注生成 //113 7.3.1　show&tell算法 // 114 7.3.2　其他類型的方法 // 116 7.3.3　數(shù)據(jù)集 // 117 7.3.4　評估方法 // 119 7.3.5　注意力模型 // 121 7.4　視覺問答 //125 7.5　基于多源的自動駕駛 //127 7.6　小結(jié) //130第 8章　深度強(qiáng)化學(xué)習(xí) // 1318.1　什么是強(qiáng)化學(xué)習(xí) // 131 8.1.1　問題設(shè)置 // 132 8.1.2　基于值函數(shù)學(xué)習(xí)的算法 // 132 8.1.3　基于策略搜索的算法 //134 8.1.4　基于Actor-Critic的算法 // 134 8.2　深度強(qiáng)化學(xué)習(xí) // 135 8.2.1　深度Q網(wǎng)絡(luò)（DQN）// 135 8.2.2　雙DQN // 137 8.2.3　競爭DQN // 138 8.3　強(qiáng)化學(xué)習(xí)實現(xiàn) // 138 8.3.1　簡單的強(qiáng)化學(xué)習(xí)示例 // 138 8.3.2　以Q-learning為例的強(qiáng)化學(xué)習(xí) // 139 8.4　小結(jié) //141第 9章　深度學(xué)習(xí)的技巧 // 142 9.1　處理數(shù)據(jù) //142 9.1.1　數(shù)據(jù)清理 // 142 9.1.2　數(shù)據(jù)擴(kuò)充 // 142 9.1.3　數(shù)據(jù)歸一化 // 143 9.2　訓(xùn)練技巧 // 143 9.2.1　權(quán)值初始化 // 143 9.2.2　優(yōu)化 // 144 9.2.3　損失函數(shù)選擇 // 146 9.2.4　防止過擬合 // 147 9.2.5　微調(diào) // 148 9.3　模型壓縮 // 149 9.4　小結(jié) // 152第 10章　深度學(xué)習(xí)的發(fā)展趨勢 // 153 10.1　深度學(xué)習(xí)的最新模型 // 15310.1.1　生成對抗網(wǎng)絡(luò) // 153 10.1.2　Capsule網(wǎng)絡(luò) // 154 10.2　深度學(xué)習(xí)的新應(yīng)用 // 15510.2.1　基因組學(xué) // 155 10.2.2　醫(yī)療預(yù)測 // 157 10.2.3　臨床影像學(xué) // 159 10.2.4　唇語 // 160 10.2.5　視覺推理 // 161 10.2.6　代碼合成 // 162 10.3　小結(jié) // 164

你還可能感興趣

我要評論