科技 类型
7.8 豆瓣评分
可以朗读 语音朗读
242千字 字数
2018-03-01 发行日期
展开全部

主编推荐语

为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱，让读者了解AI的“思考过程”，以及与人类思维的相同和不同之处。

内容简介

本书正文内容可分3部分，共9章：综述篇（第1，6，9章）这三章不需要编程和数学基础，如果读者尚不熟悉技术，推荐优先阅读，尤其是第1和第9章。它们分别介绍：深度学习的基本概念，AlphaGo的架构综述，深度学习的问题和未来展望。深度卷积网络篇（第2，3，4，5章）。这四章结合理论与实际代码，由浅入深，从神经网络，到卷积网络，到深度卷积网络，让读者掌握深度卷积网络的基础知识、实践技巧和新发展，是本书的关键所在，值得仔细阅读。实战篇（第7，8章）。这两章分别讲述AlphaGo和GAN的训练和应用细节，包括详细的代码分析。

目录

  • 版权信息
  • 前言
  • 引子 神之一手
  • 第1章 走进深度学习的世界
  • 1.1 从人工智能到深度学习
  • 1.2 深度神经网络的威力：以AlphaGo为例
  • 1.2.1 策略网络简述
  • 1.2.2 泛化：看棋谱就能学会下围棋
  • 1.2.3 拟合与过拟合
  • 1.2.4 深度神经网络的速度优势
  • 1.3 深度神经网络的应用大观
  • 1.3.1 图像分类问题的难度所在
  • 1.3.2 用深度神经网络理解图像
  • 1.3.3 AlphaGo中的深度神经网络
  • 1.3.4 自动发现规律：从数据A到答案B
  • 1.3.5 深度神经网络的更多应用
  • 1.3.6 从分而治之，到端对端学习
  • 1.4 亲自体验深度神经网络
  • 1.4.1 TensorFlow游乐场
  • 1.4.2 MNIST数字识别实例：LeNet-5
  • 1.4.3 策略网络实例
  • 1.4.4 简笔画：Sketch-RNN
  • 1.4.5 用GAN生成动漫头像
  • 1.5 深度神经网络的基本特点
  • 1.5.1 两大助力：算力、数据
  • 1.5.2 从特征工程，到逐层抽象
  • 1.5.3 深度神经网络学会的是什么
  • 1.6 人工智能与神经网络的历史
  • 1.6.1 人工智能的两大学派：逻辑与统计
  • 1.6.2 人工智能与神经网络的现代编年史
  • 第2章 深度卷积网络：第一课
  • 2.1 神经元：运作和训练
  • 2.1.1 运作：从实例说明
  • 2.1.2 训练：梯度下降的思想
  • 2.1.3 训练：梯度下降的公式
  • 2.1.4 训练：找大小问题的初次尝试
  • 2.1.5 训练：Excel的实现
  • 2.1.6 重要知识：批大小、mini-batch、epoch
  • 2.2 深度学习框架MXNet：安装和使用
  • 2.2.1 计算图：动态与静态
  • 2.2.2 安装MXNet：准备工作
  • 2.2.3 在Windows下安装MXNet
  • 2.2.4 在macOS下安装MXNet：CPU版
  • 2.2.5 在macOS下安装MXNet：GPU版
  • 2.2.6 在Linux下安装MXNet
  • 2.2.7 安装Jupyter演算本
  • 2.2.8 实例：在MXNet训练神经元并体验调参
  • 2.3 神经网络：运作和训练
  • 2.3.1 运作：前向传播，与非线性激活的必要性
  • 2.3.2 运作：非线性激活
  • 2.3.3 训练：梯度的计算公式
  • 2.3.4 训练：实例
  • 2.3.5 训练：Excel的实现
  • 2.3.6 训练：反向传播
  • 2.3.7 重要知识：梯度消失，梯度爆炸
  • 2.3.8 从几何观点理解神经网络
  • 2.3.9 训练：MXNet的实现
  • 第3章 深度卷积网络：第二课
  • 3.1 重要理论知识
  • 3.1.1 数据：训练集、验证集、测试集
  • 3.1.2 训练：典型过程
  • 3.1.3 有监督学习：回归、分类、标签、排序、Seq2Seq
  • 3.1.4 无监督学习：聚类、降维、自编码、生成模型、推荐
  • 3.1.5 训练的障碍：欠拟合、过拟合
  • 3.1.6 训练的细节：局部极值点、鞍点、梯度下降算法
  • 3.2 神经网络的正则化
  • 3.2.1 修改损失函数：L2和L1正则化
  • 3.2.2 修改网络架构：Dropout正则化
  • 3.2.3 更多技巧：集合、多任务学习、参数共享等
  • 3.2.4 数据增强与预处理
  • 3.3 神经网络的调参
  • 3.3.1 学习速率
  • 3.3.2 批大小
  • 3.3.3 初始化方法
  • 3.3.4 调参实战：重返TensorFlow游乐场
  • 3.4 实例：MNIST问题
  • 3.4.1 重要知识：SoftMax层、交叉熵损失
  • 3.4.2 训练代码与网络架构
  • 3.4.3 超越MNIST：最新的Fashion-MNIST数据集
  • 3.5 网络训练的常见bug和检查方法
  • 3.6 网络训练性能的提高
  • 第4章 深度卷积网络：第三课
  • 4.1 卷积网络：从实例说明
  • 4.1.1 实例：找橘猫，最原始的方法
  • 4.1.2 实例：找橘猫，更好的方法
  • 4.1.3 实例：卷积和池化
  • 4.1.4 卷积网络的运作
  • 4.2 运作：AlphaGo眼中的棋盘
  • 4.2.1 棋盘的编码
  • 4.2.2 最简化的策略网络
  • 4.2.3 最简化的策略网络：特征层和卷积后的结果
  • 4.3 卷积神经网络：进一步了解
  • 4.3.1 卷积核、滤波器与参数量的计算
  • 4.3.2 运作和训练的计算
  • 4.3.3 外衬与步长
  • 4.3.4 缩小图像：池化与全局池化
  • 4.3.5 放大图像：转置卷积
  • 4.4 实例：用卷积网络解决MNIST问题
  • 4.4.1 网络架构的定义与参数量的计算
  • 4.4.2 训练MNIST网络
  • 4.4.3 在MXNet运行训练后的网络
  • 4.4.4 调参实例
  • 4.4.5 在Fashion-MNIST数据集的结果
  • 4.5 MXNet的使用技巧
  • 4.5.1 快速定义多个层
  • 4.5.2 网络的保存与读取
  • 4.5.3 图像数据的打包和载入
  • 4.5.4 深入MXNet训练细节
  • 4.5.5 在浏览器和移动设备运行神经网络
  • 第5章 深度卷积网络：第四课
  • 5.1 经典的深度卷积网络架构
  • 5.1.1 深度学习革命的揭幕者：AlexNet
  • 5.1.2 常用架构：VGG系列
  • 5.1.3 去掉全连接层：DarkNet系列
  • 5.2 网络的可视化：以AlexNet为例
  • 5.3 迁移学习：精调、预训练等
  • 5.4 架构技巧：基本技巧
  • 5.4.1 感受野与缩小卷积核
  • 5.4.2 使用1×1卷积核
  • 5.4.3 批规范化
  • 5.4.4 实例：回顾Fashion-MNIST问题
  • 5.4.5 实例：训练CIFAR-10模型
  • 5.5 架构技巧：残差网络与通道组合
  • 5.5.1 残差网络：ResNet的思想
  • 5.5.2 残差网络：架构细节
  • 5.5.3 残差网络：来自于集合的理解与随机深度
  • 5.5.4 残差网络：MXNet实现，以策略网络为例
  • 5.5.5 通道组合：Inception模组
  • 5.5.6 通道组合：XCeption架构，深度可分卷积
  • 5.5.7 实例：再次训练CIFAR-10模型
  • 5.6 架构技巧：更多进展
  • 5.6.1 残差网络进展：ResNext、Pyramid Net、DenseNet
  • 5.6.2 压缩网络：SqueezeNet、MobileNet、ShuffleNet
  • 5.6.3 卷积核的变形
  • 5.7 物体检测与图像分割
  • 5.7.1 YOLO v1：实时的物体检测网络
  • 5.7.2 YOLO v2：更快、更强
  • 5.7.3 Faster R-CNN：准确的物体检测网络
  • 5.7.4 Mask-RCNN：准确的图像分割网络
  • 5.8 风格转移
  • 第6章 AlphaGo架构综述
  • 6.1 从AlphaGo到AlphaZero
  • 6.1.1 AlphaGo v13与AlphaGo v18
  • 6.1.2 AlphaGo Master与AlphaGo Zero
  • 6.1.3 解决一切棋类：AlphaZero
  • 6.2 AlphaGo的对弈过程
  • 6.2.1 策略网络
  • 6.2.2 来自人类的思路
  • 6.2.3 蒙特卡洛树搜索与估值问题
  • 6.2.4 从快速走子估值到价值网络
  • 6.2.5 从搜索树看策略与价值网络的作用
  • 6.2.6 策略与价值网络的运作实例
  • 6.3 AlphaGo中的深度卷积网络架构
  • 6.4 AlphaGo的训练过程
  • 6.4.1 原版AlphaGo：策略梯度方法
  • 6.4.2 新版AlphaGo：从蒙特卡洛树搜索学习
  • 6.5 AlphaGo方法的推广
  • 第7章 训练策略网络与实战
  • 7.1 训练前的准备工作
  • 7.1.1 棋谱数据
  • 7.1.2 落子模拟
  • 7.1.3 终局判断
  • 7.2 训练代码
  • 7.2.1 主程序：train.py
  • 7.2.2 训练参数：config.py
  • 7.2.3 辅助函数：util.py
  • 7.2.4 棋盘随机变换：symmetry.py
  • 7.2.5 训练实例
  • 7.3 对弈实战
  • 第8章 生成式对抗网络：GAN
  • 8.1 GAN的起源故事
  • 8.2 GAN的基本原理
  • 8.2.1 生成模型：从图像到编码，从编码到图像
  • 8.2.2 GAN的基本效果
  • 8.2.3 GAN的训练方法
  • 8.3 实例：DCGAN及训练过程
  • 8.3.1 网络架构
  • 8.3.2 训练代码
  • 8.4 GAN的更多架构和应用
  • 8.4.1 图像转移：CycleGAN系列
  • 8.4.2 生成高分辨率图像：nVidia的改进
  • 8.4.3 自动提取信息：InfoGAN
  • 8.4.4 更多应用
  • 8.5 更多的生成模型方法
  • 8.5.1 自编码器：从AE到VAE
  • 8.5.2 逐点生成：PixelRNN和PixelCNN系列
  • 8.5.3 将VAE和GAN结合：CVAE-GAN
  • 第9章 通向智能之秘
  • 9.1 计算机视觉的难度
  • 9.2 对抗样本，与深度网络的特点
  • 9.3 人工智能的挑战与机遇
  • 9.3.1 棋类游戏中的电脑陷阱
  • 9.3.2 偏见、过滤气泡与道德困境
  • 9.3.3 语言的迷局
  • 9.3.4 强化学习、机器人与目标函数
  • 9.3.5 创造力、审美与意识之谜
  • 9.3.6 预测学习：机器学习的前沿
  • 9.4 深度学习的理论发展
  • 9.4.1 超越反向传播：预测梯度与生物模型
  • 9.4.2 超越神经网络：Capsule与gcForest
  • 9.4.3 泛化问题
  • 9.5 深度学习与人工智能的展望
  • 9.5.1 工程层面
  • 9.5.2 理论层面
  • 9.5.3 应用层面
  • 跋 人工智能与我们的未来
  • 附录 深度学习与AI的网络资源
展开全部

评分及书评

评分不足
1个评分

出版方

机械工业出版社有限公司

机械工业出版社是全国优秀出版社，自1952年成立以来，坚持为科技、为教育服务，以向行业、向学校提供优质、权威的精神产品为宗旨，以“服务社会和人民群众需求，传播社会主义先进文化”为己任，产业结构不断完善，已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸，现已发展为多领域、多学科的大型综合性出版社，涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。