新書推薦：
《
财政与国家治理
》
售價：HK$
162.8
《
魏特琳日记（重新修订，震撼上市）
》
售價：HK$
96.8
《
国宝中的国宝：195件禁止出国展览文物
》
售價：HK$
305.8
《
幻灭与觉醒：1861年的内乱、外交与政局
》
售價：HK$
96.8
《
文明等级论的表与里
》
售價：HK$
85.8
《
《联合国国际货物销售合同公约》适用评释（修订版）
》
售價：HK$
272.8
《
房地产的逻辑
》
售價：HK$
75.9
《
拉贝日记（全新版本。）
》
售價：HK$
96.8
|
| 編輯推薦： |
|
本书遵循教指委相关指导文件和高等院校学生学习规律编写而成。践行四新理念，融入思政元素，注重理论与实践相结合。
|
| 內容簡介： |
|
本书共3篇，12章，内容涵盖了深度学习的基础理论、重要模型及其在计算机视觉和自然语言处理等领域的应用。第1篇深入讲解了深度学习的基础理论，包括感知机的主要概念及其实现、神经网络的架构与算法，以及参数更新策略、权重初始化方法和正则化技巧。第2篇专注于计算机视觉，介绍了卷积神经网络的结构及其在图像处理方面的广泛应用，同时探讨了经典的卷积网络结构以及先进网络在物体检测与图像分割等领域的应用。 第3篇着眼于自然语言处理，涵盖了语言模型、word2vec模型、RNN模型及其变体、Transformer 模型以及预训练模型在多种任务中的应用。 本书在专业性与可读性之间实现了良好的平衡，不仅向读者提供深度学习领域的综合知识和实际技能，还致力于激发读者的创新思维和实践能力，助力读者在快节奏发展的技术环境中掌握先机，取得更高成就。 本书既可作为高等院校深度学习课程的基础教材，也适合深度学习爱好者进行自学。无论是初学者还是具有一定基础的从业人员，都能从中获得启发和实用的知识。
|
| 目錄：
|
|
目录前言第1篇深度学习基础篇第1章感知机1.1感知机是什么1.2简单逻辑电路1.2.1与门1.2.2与非门和或门1.3感知机的实现1.3.1简单的实现1.3.2导入权重和偏置1.3.3权重和偏置的实现1.4感知机的局限性1.4.1异或门1.4.2线性和非线性1.5多层感知机1.5.1组合门电路配置异或门1.5.2异或门的实现1.6本章小结1.7习题第2章神经网络2.1从感知机到神经网络2.1.1神经网络的结构2.1.2回顾感知机2.1.3激活函数简介2.2阶跃函数2.2.1阶跃函数的实现2.2.2Sigmoid函数2.2.3ReLU函数2.3神经网络的前向传播2.3.1符号的含义2.3.2各层间信号传递的实现2.3.3代码实现2.4输出层的设计2.4.1恒等函数2.4.2softmax函数2.4.3输出层的神经元数量2.5损失函数2.5.1均方误差2.5.2交叉熵误差2.5.3mini-batch学习2.5.4mini-batch版交叉熵误差的实现2.6梯度法2.6.1梯度2.6.2神经网络的梯度2.7学习算法的实现2.7.1两层神经网络的实现2.7.2两层神经网络解决异或问题2.7.3基于测试数据的评价2.8误差反向传播2.8.1用计算图求解2.8.2计算图的反向传播2.8.3加法节点的反向传播2.8.4乘法节点的反向传播2.9简单层的实现2.9.1乘法层的实现2.9.2加法层的实现2.10激活函数层的实现2.10.1ReLU层2.10.2Sigmoid层2.11Affine层和softmax层的实现2.11.1Affine层2.11.2批版本的Affine层2.11.3softmax-with-loss层2.12误差反向传播法的实现2.12.1神经网络学习的步骤2.12.2误差反向传播法的神经网络实现2.12.3误差反向传播法的神经网络训练和推理2.13本章小结2.14习题第3章神经网络的学习方法3.1参数的更新3.1.1SGD3.1.2SGD的缺点3.1.3Momentum3.1.4AdaGrad3.1.5Adam3.2权重的初始值3.2.1可以将权重初始值设为0吗 3.2.2隐藏层的激活值的分布3.3Batch Normalization3.4正则化3.4.1过拟合3.4.2权值衰减3.4.3Dropout3.5超参数的验证3.5.1验证数据3.5.2超参数最优化3.6本章小结3.7习题第2篇计算机视觉篇第4章卷积神经网络4.1神经网络和卷积神经网络4.2卷积存在的意义4.3CNN的整体结构4.4卷积层4.4.1全连接层的问题4.4.2卷积运算4.4.3CNN的卷积操作4.4.4三维数据的卷积运算4.4.5卷积层参数4.5池化层4.5.1池化操作4.5.2池化层特征4.6卷积层和池化层的实现4.6.1四维数组4.6.2im2col4.6.3卷积层的实现4.6.4池化层的实现4.7CNN案例实践分析4.8本章小结4.9习题第5章经典卷积网络结构5.1LeNet5.1.1LeNet 简介5.1.2LeNet 实践案例分析5.2AlexNet5.2.1AlexNet 简介5.2.2AlexNet的改进和优势5.2.3AlexNet实践案例分析5.3VGG5.3.1VGG简介5.3.2VGG的主要特点5.3.3VGG实践案例分析5.4本章小结5.5习题第6章经典卷积网络结构进阶6.1GoogLeNet6.1.1GoogLeNet简介6.1.2GoogLeNet实践案例分析6.2ResNet6.2.1ResNet简介6.2.2残差块6.2.3ResNet实践案例分析6.3视觉方向的应用6.3.1物体检测6.3.2图像分割6.3.3目标追踪6.4本章小结6.5习题第3篇自然语言处理篇第7章语言模型7.1语言模型概述7.2N-gram语言模型7.2.1N-gram语言模型简介7.2.2N-gram语言模型的评估词序列7.2.3N-gram语言模型的平滑操作7.2.4N-gram语言模型的应用7.2.5N-gram语言模型的缺点7.3词嵌入7.3.1离散分布表示7.3.2分布式表示7.4神经网络语言模型(NNLM)7.4.1NNLM简介7.4.2NNLM的输入7.4.3编码信息转换7.4.4模型细节详述7.4.5NNLM的缺点7.5NNLM的应用7.5.1数据预处理和批量生成7.5.2模型结构定义7.5.3模型参数和超参数7.5.4模型训练7.6本章小结7.7习题第8章word2vec模型8.1word2vec模型简介8.2神经网络的反向传播法8.3word2vec模型和神经网络8.4word2vec模型架构8.4.1简易CBOW架构8.4.2CBOW架构8.4.3Skip-gram架构8.5优化算法8.5.1层次化softmax8.5.2负采样优化8.6word2vec模型应用8.6.1数据预处理和批量生成8.6.2word2vec模型的结构定义8.6.3模型参数和超参数8.6.4模型训练8.6.5可视化嵌入和结果展示8.7本章小结8.8习题第9章循环神经网络模型9.1RNN模型9.1.1RNN简介9.1.2RNN和序列数据9.1.3RNN模型基本结构9.1.4RNN的反向传播9.1.5双向RNN9.1.6双向RNN思考9.1.7深层双向RNN9.1.8RNN的梯度消失和梯度爆炸9.1.9RNN模型应用9.2LSTM模型9.2.1LSTM简介9.2.2LSTM和RNN结构对比9.2.3LSTM符号说明9.2.4LSTM与RNN输入差异思考9.2.5LSTM的并行化9.2.6LSTM的门控装置9.2.7LSTM模型应用9.3GRU模型9.3.1GRU简介9.3.2GRU模型架构详解9.3.3GRU模型应用9.4本章小结9.5习题第10章Transformer模型10.1Seq2Seq10.1.1Seq2Seq的基本结构10.1.2Seq2Seq结构的实现方式10.2Transformer模型简介10.2.1Transformer的Seq2Seq架构10.2.2Transformer的输入10.2.3Transformer的自注意力机制10.2.4编码器的结构信息10.2.5解码器模块的输入10.2.6解码器的结构信息10.3本章小结10.4习题第11章位置编码11.1位置编码简介11.1.1线性归一化位置编码11.1.2整型值位置编码11.1.3二进制位置编码11.1.4周期函数的位置编码11.1.5sin和cos交替位置编码11.2Transformer模型的位置编码11.3Transformer模型的位置编码可视化11.4Transformer模型应用11.4.1数据预处理和批量生成11.4.2Transformer模型结构定义11.4.3模型参数和超参数11.4.4编码器构件11.4.5解码器构件11.4.6模型训练11.4.7可视化嵌入和结果展示11.5本章小结11.6习题第12章预训练模型12.1ELMo模型12.1.1ELMo模型简介12.1.2ELMo模型与双向LSTM12.1.3双向LSTM12.1.4ELMo结构解析12.2GPT模型12.2.1GPT模型简介12.2.2GPT基础架构选择12.2.3模型训练12.3BERT模型12.3.1BERT模型简介12.3.2BERT模型基础架构选择12.3.3BERT模型的输入信息12.3.4BERT模型的输出信息12.3.5BERT模型的预训练任务12.4本章小结12.5习题参考文献
|
| 內容試閱：
|
|
前言 在过去的几十年里，人工智能（AI）经历了巨大的发展，而深度学习作为其一个重要分支，正引领着这一领域的革命。深度学习源于神经网络的基本理念，通过模拟人脑的结构与功能，利用多层次的神经元网络来处理和分析复杂数据。近年来，随着计算能力的提升和大数据的普及，深度学习已成为解决许多实际问题的关键技术。 深度学习在多个领域展现出卓越的性能。例如，在计算机视觉领域，深度学习算法已被广泛应用于图像分类、物体检测和图像生成等；在自然语言处理领域，深度学习模型驱动了机器翻译、语音识别和情感分析等技术的飞速发展。这些应用不仅提升了技术的有效性，也改变了人们的生活方式。 深度学习的核心在于其复杂的网络结构和强大的学习能力。通过多个神经网络层次的叠加，深度学习能够自动提取特征，进行模式识别和预测。在训练过程中，算法通过优化技术不断调整网络权重，使得模型能够在给定的数据集上表现出最佳的性能。尽管深度学习取得了显著的成就，但它仍面临诸多挑战，包括模型的可解释性、数据的依赖性以及过拟合等问题。未来，深度学习将继续向更高的智能化目标迈进，并在医疗、自动驾驶、智能制造等领域发挥更大的作用。 本书内容涵盖了深度学习的基础理论、重要模型及其在计算机视觉和自然语言处理等领域的应用。通过详细讲解感知机、神经网络、卷积神经网络（CNN）、循环神经网络（RNN）、Transformer模型以及预训练模型等内容，读者能够系统地了解深度学习的主要概念与方法。 全书共分为3篇。第1篇为深度学习基础篇，包括第1~3章。第1章介绍感知机的基本概念及实现，涵盖简单逻辑电路（与门、与非门和或门）和局限性（如异或门问题），并讨论多层感知机的结构与实现;第2章从感知机发展到神经网络，讨论神经网络的基本结构、阶跃函数、前向传播、损失函数和误差反向传播算法等;第3章探讨参数更新策略（如SGD、Momentum、AdaGrad、Adam）、权重初始值、Batch Normalization、正则化技术（如Dropout）及超参数的验证方法。第2篇为计算机视觉篇，包括第4~6章。第4章介绍卷积神经网络的基本概念和结构，分析卷积层和池化层的作用，通过案例实践分析CNN在计算机视觉中的应用，第5章讲解经典的卷积网络结构，如LeNet、AlexNet和VGG，分析其主要特点和实践案例，第6章深入探讨GoogLeNet和ResNet等先进网络结构，及其在物体检测、图像分割和目标追踪等视觉任务中的应用。第3篇为自然语言处理篇，包括第7~12章。第7章为语言模型概述，介绍N-gram语言模型、词嵌入及神经网络语言模型（NNLM）的实现与应用;第8章深入分析word2vec模型的架构及应用，探讨其与神经网络的关系及优化算法;第9章讲解RNN模型及其变种LSTM模型和GRU模型的结构与应用，讨论序列数据的处理方法及梯度消失问题;第10章介绍Transformer模型的基本结构和工作原理，分析其在自然语言处理中的重要性;第11章探讨位置编码的不同方法及其在Transformer模型中的应用，分析位置编码的可视化效果;第12章介绍ELMo、GPT和BERT等预训练模型的基础架构、输入输出信息及训练过程，探讨其在各类任务中的应用。 为便于教师教学和学生学习，本书提供了所有案例的数据集和源代码，同时配有电子课件和课后习题的参考答案。 本书由大连交通大学殷丽凤、王杨、王闯、王灿以及任光乐共同编写，具体分工如下：殷丽凤编写第1~3章、第7章，王闯编写第4章，王灿编写第5章，任光乐编写第6章，王杨编写第8~12章。同时，感谢杜铨熠在本书编写过程中对插图的辅助支持。 在本书的撰写过程中，编者参考了大量国内外的相关文献、学术论文以及互联网上的优质资源。在此，由衷感谢所有为知识与智慧做出贡献的作者和研究者们，正是由于他们的辛勤努力，才为本书的内容提供了丰富的参考资料和灵感。由于参考文献数量众多，整理和列出时难免会有遗漏，特此向未能列出姓名的作者表示诚挚的歉意。 由于编者能力有限，且编写时间紧迫，书中可能存在一些错误和不当之处，恳请广大读者给予批评和指正。 编者
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
