飛槳PaddlePaddle深度學(xué)習(xí)實戰(zhàn)
定 價：99 元
叢書名：智能系統(tǒng)與技術(shù)叢書
- 作者：劉祥龍 楊晴虹 胡曉光 周湘陽等
- 出版時間：2020/8/1
- ISBN：9787111662365
- 出 版 社：機(jī)械工業(yè)出版社
- 中圖法分類：TP181
- 頁碼：373
- 紙張：膠版紙
- 版次：1
- 開本：16K
內(nèi)容簡介
本書由百度官方出品，百度公司CTO王海峰博士作序，張鈸院士、李未院士、百度集團(tuán)副總裁吳甜聯(lián)袂推薦。
本書遵循“內(nèi)容全面、由淺入深、注重實踐”的原則，基于飛槳PaddlePaddle深度學(xué)習(xí)平臺，較為全面地覆蓋了學(xué)習(xí)深度學(xué)習(xí)技術(shù)所必須具備的基礎(chǔ)知識以及深度學(xué)習(xí)主要核心技術(shù)，包括相關(guān)的數(shù)學(xué)基礎(chǔ)、Python編程基礎(chǔ)、機(jī)器學(xué)習(xí)基礎(chǔ)以及正向/反向傳播算法、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等，盡量做到讀懂一本書即可達(dá)到“零基礎(chǔ)”到“全精通”。
在章節(jié)安排上，考慮讀者的特點和認(rèn)知規(guī)律，在知識架構(gòu)和案例穿插的設(shè)計上確保循序漸進(jìn)、由淺入深。同時，本書提供了大量的深度學(xué)習(xí)實戰(zhàn)案例，覆蓋了當(dāng)前計算機(jī)視覺、自然語言處理、個性化推薦等領(lǐng)域主流應(yīng)用典型的算法，每章都單獨配以飛槳代碼實現(xiàn)，詳細(xì)解析實操過程，手把手引導(dǎo)讀者開展實踐練習(xí)、深入掌握相關(guān)知識。
本書提供配套代碼合集，詳情請訪問https://aistudio.baidu.com/aistudio/projectdetail/518424。
序
前言
第一部分 數(shù)學(xué)與編程基礎(chǔ)篇
第1章 數(shù)學(xué)基礎(chǔ)與Python庫2
1.1 Python是進(jìn)行人工智能編程的主要語言2
1.2 數(shù)學(xué)基礎(chǔ)3
1.2.1 線性代數(shù)基礎(chǔ)3
1.2.2 微積分基礎(chǔ)7
1.3 Python庫的操作14
1.3.1 NumPy操作14
1.3.2 Matplotlib操作19
1.4 本章小結(jié)23
第2章 深度學(xué)習(xí)概論與飛槳入門24
2.1 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)25
2.1.1 人工智能25
2.1.2 機(jī)器學(xué)習(xí)26
2.1.3 深度學(xué)習(xí)26
2.2 深度學(xué)習(xí)的發(fā)展歷程27
2.2.1 神經(jīng)網(wǎng)絡(luò)的第一次高潮27
2.2.2 神經(jīng)網(wǎng)絡(luò)的第一次寒冬28
2.2.3 神經(jīng)網(wǎng)絡(luò)的第二次高潮30
2.2.4 神經(jīng)網(wǎng)絡(luò)的第二次寒冬30
2.2.5 深度學(xué)習(xí)的來臨31
2.2.6 深度學(xué)習(xí)崛起的時代背景31
2.3 深度學(xué)習(xí)的應(yīng)用場景31
2.3.1 圖像與視覺32
2.3.2 語音識別32
2.3.3 自然語言處理33
2.3.4 個性化推薦33
2.4 常見的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)34
2.4.1 全連接網(wǎng)絡(luò)結(jié)構(gòu)34
2.4.2 卷積神經(jīng)網(wǎng)絡(luò)34
2.4.3 循環(huán)神經(jīng)網(wǎng)絡(luò)35
2.5 機(jī)器學(xué)習(xí)回顧35
2.5.1 線性回歸的基本概念36
2.5.2 數(shù)據(jù)處理37
2.5.3 模型概覽38
2.5.4 效果展示39
2.6 深度學(xué)習(xí)框架簡介40
2.6.1 深度學(xué)習(xí)框架的優(yōu)勢40
2.6.2 常見的深度學(xué)習(xí)框架41
2.6.3 飛槳簡介42
2.6.4 飛槳安裝42
2.6.5 AI Studio43
2.7 飛槳實現(xiàn)44
2.8 飛槳服務(wù)平臺和工具組件51
2.8.1 PaddleHub51
2.8.2 X2Paddle54
2.8.3 PARL56
2.8.4 EasyDL61
2.9 本章小結(jié)62
第二部分 深度學(xué)習(xí)基礎(chǔ)篇
第3章 深度學(xué)習(xí)的單層網(wǎng)絡(luò)64
3.1 Logistic回歸模型64
3.1.1 Logistic回歸概述64
3.1.2 損失函數(shù)66
3.1.3 Logistic回歸的梯度下降68
3.2 實現(xiàn)Logistic回歸模型72
3.2.1 NumPy版本73
3.2.2 飛槳版本80
3.3 本章小結(jié)88
第4章 淺層神經(jīng)網(wǎng)絡(luò)89
4.1 神經(jīng)網(wǎng)絡(luò)89
4.1.1 神經(jīng)網(wǎng)絡(luò)的定義及其結(jié)構(gòu)89
4.1.2 神經(jīng)網(wǎng)絡(luò)的計算91
4.2 BP算法96
4.2.1 邏輯回歸與BP算法96
4.2.2 單樣本雙層神經(jīng)網(wǎng)絡(luò)的BP算法97
4.2.3 多樣本神經(jīng)網(wǎng)絡(luò)的BP算法100
4.3 BP算法實踐103
4.3.1 NumPy版本103
4.3.2 飛槳版本110
4.4 本章小結(jié)114
第5章 深層神經(jīng)網(wǎng)絡(luò)116
5.1 深層網(wǎng)絡(luò)介紹116
5.1.1 深度影響算法能力116
5.1.2 網(wǎng)絡(luò)演化過程與常用符號118
5.2 傳播過程120
5.2.1 神經(jīng)網(wǎng)絡(luò)算法核心思想120
5.2.2 深層網(wǎng)絡(luò)正向傳播過程120
5.2.3 深層網(wǎng)絡(luò)反向傳播過程121
5.2.4 傳播過程總結(jié)122
5.3 網(wǎng)絡(luò)的參數(shù)124
5.4 代碼實現(xiàn)125
5.4.1 NumPy版本125
5.4.2 飛槳版本128
5.5 本章小結(jié)130
第6章 卷積神經(jīng)網(wǎng)絡(luò)131
6.1 圖像分類問題描述131
6.2 卷積神經(jīng)網(wǎng)絡(luò)介紹132
6.2.1 卷積層132
6.2.2 ReLU激活函數(shù)136
6.2.3 池化層137
6.2.4 Softmax分類層138
6.2.5 主要特點139
6.2.6 經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)140
6.3 飛槳實現(xiàn)145
6.3.1 數(shù)據(jù)介紹145
6.3.2 模型概覽146
6.3.3 配置說明146
6.4 本章小結(jié)153
第7章 循環(huán)神經(jīng)網(wǎng)絡(luò)154
7.1 任務(wù)描述154
7.2 循環(huán)神經(jīng)網(wǎng)絡(luò)介紹155
7.2.1 長短期記憶網(wǎng)絡(luò)156
7.2.2 門控循環(huán)單元157
7.2.3 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)158
7.2.4 卷積循環(huán)神經(jīng)網(wǎng)絡(luò)159
7.3 利用飛槳實現(xiàn)機(jī)器翻譯159
7.3.1 數(shù)據(jù)準(zhǔn)備159
7.3.2 柱搜索 163
7.3.3 模型配置167
7.3.4 模型訓(xùn)練168
7.3.5 加載訓(xùn)練模型進(jìn)行預(yù)測169
7.4 本章小結(jié)170
第8章 注意力機(jī)制171
8.1 任務(wù)描述171
8.2 注意力機(jī)制介紹172
8.2.1 Transformer172
8.2.2 Non-local神經(jīng)網(wǎng)絡(luò)175
8.2.3 Attention Cluster神經(jīng)網(wǎng)絡(luò)176
8.3 利用飛槳實現(xiàn)視頻分類177
8.3.1 Non-local神經(jīng)網(wǎng)絡(luò)177
8.3.2 Attention Cluster183
8.4 本章小結(jié)195
第9章 算法優(yōu)化196
9.1 基礎(chǔ)知識196
9.1.1 訓(xùn)練、驗證和測試集196
9.1.2 偏差和方差197
9.2 評估198
9.2.1 選定評估目標(biāo)198
9.2.2 迭代過程199
9.2.3 欠擬合和過擬合199
9.3 調(diào)優(yōu)策略199
9.3.1 降低偏差199
9.3.2 降低方差204
9.4 超參數(shù)調(diào)優(yōu)209
9.4.1 隨機(jī)搜索和網(wǎng)格搜索209
9.4.2 超參數(shù)范圍209
9.4.3 分階段搜索210
9.4.4 例子：對學(xué)習(xí)率的調(diào)整210
9.5 本章小結(jié)212
第三部分 飛槳實踐篇
第10章 目標(biāo)檢測214
10.1 任務(wù)描述214
10.2 常見模型解析217
10.2.1 R-CNN系列217
10.2.2 YOLO223
10.2.3 SSD228
10.3 PaddleDetection應(yīng)用實踐231
10.3.1 Faster-R-CNN231
10.3.2 YOLOv3234
10.4 本章小結(jié)237
第11章 圖像生成238
11.1 任務(wù)描述238
11.1.1 圖像生成238
11.1.2 圖像–圖像轉(zhuǎn)換239
11.1.3 文本–圖像轉(zhuǎn)換239
11.2 模型概覽240
11.2.1 圖像生成240
11.2.2 圖像–圖像241
11.2.3 文本–圖像246
11.3 PaddleGAN應(yīng)用實踐248
11.3.1 數(shù)據(jù)準(zhǔn)備248
11.3.2 參數(shù)設(shè)置248
11.3.3 網(wǎng)絡(luò)結(jié)構(gòu)定義249
11.3.4 模型訓(xùn)練253
11.3.5 模型測試 256
11.4 本章小結(jié)257
第12章 情感分析258
12.1 任務(wù)描述258
12.2 算法原理解析259
12.2.1 BOW259
12.2.2 DB-LSTM259
12.3 情感分析應(yīng)用實踐261
12.3.1 數(shù)據(jù)集下載261
12.3.2 配置模型262
12.3.3 訓(xùn)練模型268
12.4 本章小結(jié)273
第13章 機(jī)器翻譯274
13.1 任務(wù)描述274
13.2 算法原理解析275
13.2.1 Seq2Seq275
13.2.2 Transformer276
13.3 機(jī)器翻譯應(yīng)用實踐287
13.3.1 數(shù)據(jù)準(zhǔn)備287
13.3.2 模型配置287
13.3.3 模型訓(xùn)練289
13.3.4 模型測試291
13.3.5 模型評估292
13.4 本章小結(jié)292
第14章 語義表示293
14.1 任務(wù)描述293
14.2 常見模型解析294
14.2.1 ELMo294
14.2.2 ERNIE296
14.3 ERNIE應(yīng)用實踐300
14.3.1 數(shù)據(jù)準(zhǔn)備301
14.3.2 模型配置301
14.3.3 模型訓(xùn)練302
14.3.4 模型評估305
14.4 本章小結(jié)305
第15章 個性化推薦306
15.1 問題描述306
15.2 傳統(tǒng)推薦方法307
15.2.1 基于內(nèi)容的推薦307
15.2.2 協(xié)同過濾推薦309
15.2.3 混合推薦310
15.3 深度學(xué)習(xí)推薦方法310
15.3.1 YouTube的深度神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)310
15.3.2 融合推薦系統(tǒng)312
15.4 個性化推薦系統(tǒng)在飛槳上的實現(xiàn)315
15.4.1 數(shù)據(jù)準(zhǔn)備315
15.4.2 模型設(shè)計332
15.4.3 模型訓(xùn)練358
15.4.4 保存特征363
15.4.5 模型測試364
15.5 本章小結(jié)373
書單推薦
