相關商品
商品簡介
目次
商品簡介
本書不僅包含人工智能、機器學習及深度學習的基礎知識，如卷積神經網絡、循環神經網絡、生成對抗網絡等，而且也囊括了學會使用 TensorFlow、PyTorch 和 Keras 這三個主流的深度學習框架的最小知識量；不僅有針對相關理論的深入解釋，而且也有實用的技巧，包括常見的優化技巧、使用多 GPU 訓練、調試程序及將模型上線到生產系統中。本書希望同時兼顧理論和實戰，使讀者既能深入理解理論知識，又能把理論知識用於實戰，因此本書每介紹完一個模型都會介紹其實現，讀者閱讀完一個模型的介紹之後就可以運行、閱讀和修改相關代碼，從而可以更加深刻地理解理論知識。
目次
目錄
第 1 章 人工智能的基本概念 1
1.1 人工智能的發展歷史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 機器學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 常見的監督學習模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 衡量指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 損失函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 優化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 過擬合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 機器學習示例：線性回歸 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
第 2 章 神經網絡 27
2.1 手寫數字識別問題 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 單個神經元和多層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 用代碼實戰多層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 多層神經網絡構建代碼解析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 反向傳播算法的推導 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 代碼實現反向傳播算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.7 為什麼反向傳播算法是一個高效的算法 . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8 優化技巧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
第 3 章 卷積神經網絡 59
3.1 卷積神經網絡簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 局部感知域 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 特徵映射 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4 池化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5 構建完整的卷積神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6 填充和步長 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.7 CNN 識別 MNIST 手寫數字 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.8 CNN 模型識別 CIFAR-10 圖像 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.9 使用殘差網絡識別 MNIST 圖像 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
第 4 章 循環神經網絡 101
4.1 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.2 RNN 的擴展 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3 Word Embedding 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 姓名分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.5 RNN 生成莎士比亞風格句子 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.6 機器翻譯 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.7 漢語―英語翻譯的批量訓練 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
第 5 章 生成對抗網絡 156
5.1 為什麼研究生成模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.2 生成模型的原理以及 GAN 與其他生成模型的區別 . . . . . . . . . . . . . . . . . . . 159
5.3 GAN 的原理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.4 深度卷積生成對抗網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.5 反卷積 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.6 DCGAN 實戰 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
第 6 章 TensorFlow 196
6.1 TensorFlow 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.2 Opitimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3 數據的處理和輸入 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
6.4 常見網絡結構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
6.5 RNN 在 TensorFlow 中的實現 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
6.6 TensorBoard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
6.7 高層 API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
6.8 調試 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
6.9 TensorFlow Serving . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
第 7 章 PyTorch 343
7.1 基礎知識 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
7.2 PyTorch 神經網絡簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
7.3 訓練一個分類器 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
7.4 使用 NumPy 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
7.5 使用 Tensor 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364
7.6 使用 autograd 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
7.7 使用自定義的 ReLU 函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
7.8 和 TensorFlow 的對比 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
7.9 使用 nn 模塊實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
7.10 使用 optim 包 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
7.11 自定義 nn 模塊 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
7.12 流程控制和參數共享 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
7.13 遷移學習示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
7.14 數據的加載和預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
第 8 章 Keras 393
8.1 Keras 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
8.2 Hello World . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
8.3 Sequential API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
8.4 多分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
8.5 兩分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
8.6 1D 卷積進行序列分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
8.7 多層 LSTM 序列分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
8.8 有狀態的 LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404
8.9 Functional API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
8.10 判斷兩個數字是否是同一個數字 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 410
8.11 圖片問答 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
8.12 視頻問答 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
第 1 章 人工智能的基本概念 1
1.1 人工智能的發展歷史 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 機器學習 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 常見的監督學習模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.4 衡量指標 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.5 損失函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.6 優化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.7 過擬合 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.8 機器學習示例：線性回歸 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
第 2 章 神經網絡 27
2.1 手寫數字識別問題 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.2 單個神經元和多層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.3 用代碼實戰多層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.4 多層神經網絡構建代碼解析 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.5 反向傳播算法的推導 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.6 代碼實現反向傳播算法 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
2.7 為什麼反向傳播算法是一個高效的算法 . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.8 優化技巧 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
第 3 章 卷積神經網絡 59
3.1 卷積神經網絡簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.2 局部感知域 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
3.3 特徵映射 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.4 池化 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5 構建完整的卷積神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6 填充和步長 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.7 CNN 識別 MNIST 手寫數字 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3.8 CNN 模型識別 CIFAR-10 圖像 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.9 使用殘差網絡識別 MNIST 圖像 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
第 4 章 循環神經網絡 101
4.1 基本概念 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
4.2 RNN 的擴展 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4.3 Word Embedding 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4.4 姓名分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4.5 RNN 生成莎士比亞風格句子 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
4.6 機器翻譯 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.7 漢語―英語翻譯的批量訓練 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
第 5 章 生成對抗網絡 156
5.1 為什麼研究生成模型 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
5.2 生成模型的原理以及 GAN 與其他生成模型的區別 . . . . . . . . . . . . . . . . . . . 159
5.3 GAN 的原理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
5.4 深度卷積生成對抗網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.5 反卷積 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
5.6 DCGAN 實戰 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
第 6 章 TensorFlow 196
6.1 TensorFlow 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
6.2 Opitimizer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
6.3 數據的處理和輸入 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
6.4 常見網絡結構 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
6.5 RNN 在 TensorFlow 中的實現 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
6.6 TensorBoard . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 276
6.7 高層 API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
6.8 調試 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
6.9 TensorFlow Serving . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
第 7 章 PyTorch 343
7.1 基礎知識 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
7.2 PyTorch 神經網絡簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
7.3 訓練一個分類器 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
7.4 使用 NumPy 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 363
7.5 使用 Tensor 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 364
7.6 使用 autograd 實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
7.7 使用自定義的 ReLU 函數 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 367
7.8 和 TensorFlow 的對比 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 369
7.9 使用 nn 模塊實現三層神經網絡 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 370
7.10 使用 optim 包 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
7.11 自定義 nn 模塊 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
7.12 流程控制和參數共享 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 374
7.13 遷移學習示例 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
7.14 數據的加載和預處理 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
第 8 章 Keras 393
8.1 Keras 簡介 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
8.2 Hello World . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 393
8.3 Sequential API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
8.4 多分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 398
8.5 兩分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
8.6 1D 卷積進行序列分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
8.7 多層 LSTM 序列分類 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
8.8 有狀態的 LSTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 404
8.9 Functional API . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
8.10 判斷兩個數字是否是同一個數字 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 410
8.11 圖片問答 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
8.12 視頻問答 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。