科技 类型
可以朗读 语音朗读
159千字 字数
2018-06-01 发行日期
展开全部

主编推荐语

本书希望通过讲解深度学习的基本原理，以及如何在深度学习技术上构建复杂的人工智能应用，帮助读者开启深度学习技术应用之旅。

内容简介

本书由微软亚洲研究院的资深AI工程师撰写，是一本面向初学者的、以实战为导向的深度学习指南。本书首先详细讲解了深度学习的知识体系、核心概念、模型与算法、工具和库（TensorFlow等）等全栈技术知识，然后以案例的形式讲解了如何将这些知识应用到计算机视觉、自然语言处理、语音识别、对话机器人、人脸识别、自动驾驶领域。

目录

  • 版权信息
  • 前言
  • 第1章 了解深度学习
  • 1.1 什么是深度学习
  • 1.1.1 深度学习能解决的问题
  • 1.1.2 深度学习适用的领域
  • 1.2 深度学习的技术发展
  • 1.2.1 基础技术发展
  • 1.2.2 应用技术发展
  • 1.3 深度学习的知识点汇总
  • 1.3.1 深度学习的预备技术
  • 1.3.2 深度学习的技术构成
  • 1.3.3 深度学习向其他行业与技术领域的延伸
  • 1.4 深度学习工具与平台介绍
  • 1.4.1 深度学习框架
  • 1.4.2 深度学习基础架构
  • 1.4.3 深度学习开发工具
  • 1.4.4 深度学习辅助工具
  • 1.4.5 深度学习云平台服务
  • 1.5 本章小结
  • 1.6 参考资料
  • 第2章 深度学习技术
  • 2.1 深度学习基础
  • 2.1.1 感知器
  • 2.1.2 激活函数
  • 2.1.3 输入层、隐藏层、输出层
  • 2.1.4 前向传播与反向传播求导
  • 2.2 CNN
  • 2.2.1 前馈网络解决图像存在的问题
  • 2.2.2 卷积神经网络
  • 2.2.3 图像的几个不变性
  • 2.2.4 卷积
  • 2.2.5 池化
  • 2.2.6 Inception
  • 2.2.7 Flatten层和全连接层
  • 2.2.8 跳层连接
  • 2.2.9 经典CNN
  • 2.3 RNN
  • 2.3.1 RNN结构
  • 2.3.2 基本结构与前向传播
  • 2.3.3 BPTT
  • 2.3.4 LSTM
  • 2.3.5 RNN拓展
  • 2.4 最优化算法
  • 2.4.1 梯度下降
  • 2.4.2 Adam
  • 2.5 本章小结
  • 第3章 TensorFlow基础
  • 3.1 TensorFlow
  • 3.2 获取与安装
  • 3.3 变量及作用域
  • 3.4 构建计算图
  • 3.5 全连接网络构建
  • 3.6 CNN构建
  • 3.7 RNN构建
  • 3.8 多架构运行
  • 3.8.1 GPU使用
  • 3.8.2 多CPU使用
  • 3.9 队列使用
  • 3.10 本章小结
  • 第4章 TensorFlow进阶
  • 4.1 TensorFlow架构与原理
  • 4.2 TensorFlow扩展
  • 4.2.1 TF Layers
  • 4.2.2 TF Slim
  • 4.2.3 TFLearn
  • 4.2.4 Keras
  • 4.3 Tensorboard与问题监控
  • 4.4 改善深度神经网络
  • 4.5 性能优化建议
  • 4.6 深度神经网络结构
  • 4.6.1 Inception结构
  • 4.6.2 ResNet结构
  • 4.6.3 Seq2Seq结构
  • 4.6.4 Attention
  • 4.7 本章小结
  • 第5章 语音识别器
  • 5.1 任务分析
  • 5.2 数据与特征分析
  • 5.2.1 语音数据库
  • 5.2.2 语音数据特征
  • 5.3 主流语音识别网络结构
  • 5.3.1 用于语音识别的CNN
  • 5.3.2 用于语音识别的RNN
  • 5.4 CTC Loss
  • 5.5 文本向量化
  • 5.5.1 英文文本向量化
  • 5.5.2 中文文本向量化
  • 5.5.3 文本标签比对
  • 5.6 完整构建神经网络
  • 5.6.1 构建CNN识别网络
  • 5.6.2 用于语音识别的RNN
  • 5.7 数据训练
  • 5.8 参数调优
  • 5.9 实际数据分析
  • 5.10 本章小结
  • 第6章 对话机器人
  • 6.1 对话机器人概述与应用领域
  • 6.2 对话机器人主流技术
  • 6.2.1 基于模板的对话机器人
  • 6.2.2 基于检索技术的对话机器人
  • 6.2.3 基于深度学习的对话机器人
  • 6.3 对话机器人的前沿与功能扩展
  • 6.4 深度学习对话机器人原理
  • 6.5 构建对话机器人
  • 6.5.1 Bot界面与交互
  • 6.5.2 语料预处理
  • 6.5.3 模型构建
  • 6.5.4 训练流程
  • 6.5.5 在线推断
  • 6.6 本章小结
  • 第7章 人脸识别器
  • 7.1 任务分析
  • 7.2 Detection、Aliment与Identify
  • 7.3 数据特征分析
  • 7.3.1 人脸位置和范围数据
  • 7.3.2 人脸关键点数据
  • 7.3.3 人脸识别数据库
  • 7.4 haar分类器方式
  • 7.4.1 固定特征的提取
  • 7.4.2 分类器
  • 7.4.3 代码实现
  • 7.5 神经网络方法演进
  • 7.6 人脸识别网络构建
  • 7.6.1 人脸检测网络MTCNN
  • 7.6.2 用于人脸检测的GoogleNet
  • 7.7 主流人脸识别网络差异分析
  • 7.8 TensorFlow搭建网络
  • 7.9 参数调优
  • 7.10 实战分析
  • 7.11 本章小结
  • 第8章 自动驾驶
  • 8.1 自动驾驶的介绍与应用领域
  • 8.1.1 自动驾驶的应用场景
  • 8.1.2 自动驾驶分级
  • 8.2 自动驾驶技术
  • 8.2.1 端到端的自动驾驶历史
  • 8.2.2 底层硬件支撑技术平台
  • 8.3 深度增强学习
  • 8.4 行车检测
  • 8.4.1 物体检测
  • 8.4.2 YOLO模型
  • 8.4.3 车辆图像数据探索
  • 8.4.4 车辆视频数据预处理
  • 8.4.5 迁移学习
  • 8.4.6 模型推断
  • 8.4.7 绘制检测结果
  • 8.5 端到端自动驾驶
  • 8.5.1 英伟达End to End模型
  • 8.5.2 评估指标
  • 8.5.3 数据分析
  • 8.5.4 读入视频，并处理图像
  • 8.5.5 深度学习模型构建与训练
  • 8.5.6 可视化结果
  • 8.6 本章小结
  • 8.7 参考资料
  • 第9章 可视化实践
  • 9.1 可视化发展
  • 9.2 可视化过程
  • 9.3 Matplotlib
  • 9.4 ECharts
  • 9.5 可视化实践
  • 9.6 三维可视化
  • 9.7 动态可视化
  • 9.8 本章小结
  • 第10章 优化实践
  • 10.1 通用深度神经网络训练优化建议
  • 10.1.1 过拟合与欠拟合
  • 10.1.2 数据增强
  • 10.1.3 梯度消失
  • 10.1.4 初始化权值
  • 10.1.5 优化算法
  • 10.1.6 超参数选择
  • 10.2 深度学习系统性能优化建议
  • 10.2.1 输入及预处理流水线优化
  • 10.2.2 数据格式
  • 10.2.3 编译优化
  • 10.2.4 GPU性能瓶颈诊断
  • 10.2.5 CPU瓶颈优化
  • 10.2.6 模型压缩
  • 10.3 工程实践建议
  • 10.3.1 Model格式转换
  • 10.3.2 迁移学习
  • 10.3.3 在线推断TensorFlow Serving
  • 10.4 本章小结
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。