☆☆☆☆☆




點擊這裡下載

類似圖書 點擊查看全場最低價

---

産品特色

編輯推薦

適讀人群 ：本書以通俗易懂的方式講解深度學習技術，同時配有實現方法教學，麵嚮深度學習初學者、進階者，以及希望長期從事深度學習研究和産品開發的深度學習工程師和TensorFlow用戶。

1.TensorLayer是一個基於TensorFlow的深度學習開發工具。其透明，靈活，高性能的特點，使得它得到瞭大量初學者乃至資深開發者的青睞。TensorLayer獲得瞭ACM Multimedia頒發的2017年度開源軟件奬。

2. 本書是在帝國理工學院計算機係終身教授郭毅可的領導下，本書由TensorLayer創始人領銜，TensorLayer主要開發團隊傾力打造而成，作者全部來自一綫人工智能研究員和工程師，為讀者提供瞭一次非常美妙的AI之旅。
3. 本書案例是作者們經過精心挑選後寫作的，其中不乏諸如，價值上億美金的超高分辨率復原、已實際應用在醫學上的圖像語義分割等黃金案例，值得初學者和研究者們學習參考。
4. 本書作者額外提供瞭案例使用的模型，請到下載使用。

內容簡介

本書由TensorLayer創始人領銜，TensorLayer主要開發團隊傾力打造而成。內容不僅覆蓋瞭人工神經網絡的基本知識，如多層感知器、捲積網絡、遞歸網絡及增強學習等，還著重講解瞭深度學習的一些新的技術，如生成對抗網絡、學習方法和實踐經驗，配有許多應用及産品的實例。讀者可從零開始掌握深度學習技術，以及使用TensorLayer實現的各種應用。

本書以通俗易懂的方式講解深度學習技術，同時配有實現方法教學，麵嚮深度學習初學者、進階者，以及希望長期從事深度學習研究和産品開發的深度學習的大學生和工程師。

作者簡介

董豪：目前就讀於帝國理工學院，從事計算機視覺、醫療數據分析和深度學習理論研究，在ICCV、TNSRE、TIFS、ACM MM等會議和期刊發錶過論文，Neurocomputing、TIP等會議和期刊的審稿人。有創業經驗，擅長把深度學習算法與實際問題結閤，獲得多項國傢發明專利和實用新型專利，TensorLayer創始人。

郭毅可:英國帝國理工學院計算係終身教授, 帝國理工數據科學研究所（Data Science Institute）所長，上海大學計算機學院院長，中國計算機協會大數據專委會創始會員。郭教授主持多項中國、歐盟和英國大型數據科學項目,纍計總金額達1000億人民幣。郭教授的研究重點為機器學習、雲計算、大數據和生物信息學。也是大數據會議KDD2018 的主席. 他是上海，北京，江蘇省政府特聘專傢, 中國科學院網絡信息中心、中國科學院深圳先進技術研究院客座研究員。郭教授從2015 年起，發起和領導瞭TensorLayer 項目作為帝國理工數據科學研究所的重要機器學習工具。

楊光：帝國理工醫學院高級研究員，皇傢布朗普頓醫院醫學圖像分析師，倫敦大學聖喬治醫學院榮譽講師，倫敦大學學院（UCL）碩士、博士、IEEE會員、SPIE會員、ISMRM會員、BMVA會員，專注於醫療大數據以及醫學圖像的成像和分析，在各類期刊會議上發錶論文近40篇，國際專利兩項，Medical Physics雜誌臨時副主編，MIUA會議委員會委員，長期為專業雜誌會議義務審稿50餘篇。其研究方嚮獲得英國EPSRC、CRUK、NIHR和British Heart Foundation （BHF）資助。近期緻力於Medical AI方嚮的創新創業。

吳超：帝國理工數字科學研究所研究員，主要從事醫療和城市領域數據分析和建模的研究工作，研究工作獲得EPSRC、Royal Society等多項研究基金資助。

王劍虹：帝國理工碩士及利物浦大學本科畢業，主要研究語音識彆分類問題；目前在UCL攻讀研究型碩士，主要研究增強學習在遊戲中的運用。

幺忠瑋：帝國理工碩士，本科畢業於北京郵電大學，主要研究方嚮為計算機視覺，對生成模型和目標識彆領域感興趣。目前緻力於將目標檢測算法植入嵌入式係統實現即時檢測。

張敬卿：帝國理工博士在讀，研究型碩士，主要研究興趣包括深度學習、數據挖掘、時間序列與文本挖掘、多模態問題與生成模型。本科畢業於清華大學計算機科學與技術係，曾獲得中國國傢奬學金。

陳竑：北京大學光華管理學院在讀，哈爾濱工業大學電子與信息工程學院畢業，深度學習愛好者。

林一鳴：帝國理工博士在讀，主要研究深度學習在人臉分析方嚮的應用。

於思淼：帝國理工博士在讀，浙江大學本科畢業，主要研究方嚮為深度學習、生成模型及其在計算機視覺方麵的應用。

莫元漢：帝國理工博士在讀，北京航空航天大學本科畢業，主要研究方嚮為深度學習、動力學及其在醫療圖像分析方麵的應用。

袁航：瑞士洛桑聯邦理工（EPFL）碩士在讀，本科就讀於德國雅各布大學（Jacobs）計算機係，及在美國卡內基梅隆大學（CMU）計算機科學學院交換學習，主要從事計算神經科學與電腦人機接口研究。之前分彆在帝國理工及馬剋斯普朗剋智能係統研究院（Max Planck Institute for Intelligent Systems）進行研習，現在主要在EPFL G-lab研究脊髓修復對運動功能康復及血壓控製等課題。

目錄

1 深度學習簡介1

1.1 人工智能、機器學習和深度學習 1

1.1.1 引言 1

1.1.2 人工智能、機器學習和深度學習三者的關係 2

1.2 神經網絡 3

1.2.1 感知器 3

1.2.2 激活函數 5

1.2.3 損失函數 8

1.2.4 梯度下降和隨機梯度下降 8

1.2.5 反嚮傳播算法簡述 11

1.2.6 其他神經網絡 12

1.3 學習方法建議 13

1.3.1 網絡資源 13

1.3.2 TensorFlow 官方深度學習教程 14

1.3.3 開源社區 15

1.4 TensorLayer 15

1.4.1 深度學習框架概況 15

1.4.2 TensorLayer 概括 16

1.4.3 實驗環境配置 17

2 多層感知器19

2.1 McCulloch-Pitts 神經元模型 19

2.1.1 人工神經網絡到底能乾什麼？到底在乾什麼 21

2.1.2 什麼是激活函數？什麼是偏值 22

2.2 感知器 23

2.2.1 什麼是綫性分類器 24

2.2.2 綫性分類器有什麼優缺點 26

2.2.3 感知器實例和異或問題（XOR 問題） 26

2.3 多層感知器 30

2.4 實現手寫數字分類 32

2.5 過擬閤 40

2.5.1 什麼是過擬閤 40

2.5.2 Dropout 41

2.5.3 批規範化 42

2.5.4 L1、L2 和其他正則化方法 42

2.5.5 Lp 正則化的圖形化解釋 44

2.6 再實現手寫數字分類 46

2.6.1 數據迭代器 46

2.6.2 通過all_drop 啓動與關閉Dropout 47

2.6.3 通過參數共享實現訓練測試切換 50

3 自編碼器54

3.1 稀疏性 54

3.2 稀疏自編碼器 56

3.3 實現手寫數字特徵提取 59

3.4 降噪自編碼器 65

3.5 再實現手寫數字特徵提取 68

3.6 堆棧式自編碼器及其實現 72

4 捲積神經網絡80

4.1 捲積原理 80

4.1.1 捲積操作 81

4.1.2 張量 84

4.1.3 捲積層 85

4.1.4 池化層 87

4.1.5 全連接層 89

4.2 經典任務 90

4.2.1 圖像分類 90

4.2.2 目標檢測 91

4.2.3 語義分割 94

4.2.4 實例分割 94

4.3 經典捲積網絡 95

4.3.1 LeNet 95

4.3.2 AlexNet 96

4.3.3 VGGNet 96

4.3.4 GoogLeNet 98

4.3.5 ResNet 99

4.4 實現手寫數字分類 100

4.5 數據增強與規範化 104

4.5.1 數據增強 104

4.5.2 批規範化 106

4.5.3 局部響應歸一化 107

4.6 實現CIFAR10 分類 108

4.6.1 方法1：tl.prepro 做數據增強 108

4.6.2 方法2：TFRecord 做數據增強 114

4.7 反捲積神經網絡 120

5 詞的嚮量錶達121

5.1 目的與原理 121

5.2 Word2Vec 124

5.2.1 簡介 124

5.2.2 Continuous Bag-Of-Words（CBOW）模型 124

5.2.3 Skip Gram（SG）模型 129

5.2.4 Hierarchical Softmax 132

5.2.5 Negative Sampling 135

5.3 實現Word2Vec 136

5.3.1 簡介 136

5.3.2 實現 136

5.4 重載預訓練矩陣 144

6 遞歸神經網絡148

6.1 為什麼需要它 148

6.2 不同的RNNs 151

6.2.1 簡單遞歸網絡 151

6.2.2 迴音網絡 152

6.3 長短期記憶 153

6.3.1 LSTM 概括 153

6.3.2 LSTM 詳解 157

6.3.3 LSTM 變種 159

6.4 實現生成句子 160

6.4.1 模型簡介 160

6.4.2 數據迭代 163

6.4.3 損失函數和更新公式 164

6.4.4 生成句子及Top K 采樣 167

6.4.5 接下來還可以做什麼 169

7 深度增強學習171

7.1 增強學習 172

7.1.1 概述 172

7.1.2 基於價值的增強學習 173

7.1.3 基於策略的增強學習 176

7.1.4 基於模型的增強學習 177

7.2 深度增強學習 179

7.2.1 深度Q 學習 179

7.2.2 深度策略網絡 181

7.3 更多參考資料 187

7.3.1 書籍 187

7.3.2 在綫課程 187

8 生成對抗網絡188

8.1 何為生成對抗網絡 189

8.2 深度捲積對抗生成網絡 190

8.3 實現人臉生成 191

8.4 還能做什麼 198

9 高級實現技巧202

9.1 與其他框架對接 202

9.1.1 無參數層 203

9.1.2 有參數層 203

9.2 自定義層 204

9.2.1 無參數層 204

9.2.2 有參數層 205

9.3 建立詞匯錶 207

9.4 補零與序列長度 209

9.5 動態遞歸神經網絡 210

9.6 實用小技巧 211

9.6.1 屏蔽顯示 211

9.6.2 參數名字前綴 212

9.6.3 獲取特定參數 213

9.6.4 獲取特定層輸齣 213

10 實例一：使用預訓練捲積網絡214

10.1 高維特徵錶達 214

10.2 VGG 網絡 215

10.3 連接TF-Slim 221

11 實例二：圖像語義分割及其醫學圖像應用225

11.1 圖像語義分割概述 225

11.1.1 傳統圖像分割算法簡介 227

11.1.2 損失函數與評估指標 229

11.2 醫學圖像分割概述 230

11.3 全捲積神經網絡和U-Net 網絡結構 232

11.4 醫學圖像應用：實現腦部腫瘤分割 234

11.4.1 數據與數據增強 235

11.4.2 U-Net 網絡 238

11.4.3 損失函數 239

11.4.4 開始訓練 241

12 實例三：由文本生成圖像244

12.1 條件生成對抗網絡之GAN-CLS 245

12.2 實現句子生成花朵圖片 246

13 實例四：超高分辨率復原260

13.1 什麼是超高分辨率復原 260

13.2 網絡結構 261

13.3 聯閤損失函數 264

13.4 訓練網絡 269

13.5 使用測試 277

14 實例五：文本反垃圾280

14.1 任務場景 280

14.2 網絡結構 281

14.3 詞的嚮量錶示 282

14.4 Dynamic RNN 分類器 283

14.5 訓練網絡 284

14.5.1 訓練詞嚮量 284

14.5.2 文本的錶示 290

14.5.3 訓練分類器 291

14.5.4 模型導齣 296

14.6 TensorFlow Serving 部署 299

14.7 客戶端調用 301

14.8 其他常用方法 306

中英對照錶及其縮寫309

參考文獻316

精彩書摘

1.1 人工智能、機器學習和深度學習

1.1.1 引言

“人工智能”（Arttificial Intelligence，AI），這個術語起源於1956 年的達特矛斯夏季人工智能研究計劃（Dartmouth Summer Research Project on Artificial Intelligence）。會議上的先驅們希望藉助當時計算機強大的運算能力來創造一個具有人類智能的復雜機器。

這樣的機器並不是用來處理一些特定的計算任務，比如財會的賬務軟件，流體力學的模擬程序等，而是應該具有通用性，它可以處理更加復雜的任務，比如理解語言，對人類語言中的概念進行自我學習，並具有一定的推理能力，就像我們在電影中看到的那些機器人一樣。這就是所謂的“通用人工智能”或“強人工智能”（General AI）。

雖然無數的科學傢都在不遺餘力地朝著通用人工智能的方嚮努力，但遺憾的是，我們現在還不能創造齣一颱具有類似人類智能的機器。我們現在可以做的隻是在某些特定任務上達到或者超過人類的水平，比如說人臉識彆、垃圾郵件的分類等。我們認為這樣的係統具有一定的智能，但並不是之前所說的通用人工智能，而是“弱人工智能”（Narrow AI）。

1.1.2 人工智能、機器學習和深度學習三者的關係

弱人工智能的實現得益於當下機器學習的蓬勃發展，機器學習作為一種數據驅動（Data-Driven）的學習理論，需要大量的數據和強大的計算資源來讓機器更好、更快地“理解”數據中的模式，以達到預測的目的。但是我們也應該知道，機器學習隻是實現人工智能的眾多途徑中的一種，與之相對應的還有規則驅動模型（Rule-Based）。近十年來，隨著移動互聯網和高性能計算硬件（如GPU）的發展，使得機器學習的這兩個先決條件（數據和計算資源）得到瞭滿足，機器學習這個領域也再度活躍起來。深度學習（多層神經網絡）作為機器學習的一個子學科更是一個以數據為核心的方法。早期由於數據量的限製，人們發現多層（深度）神經網絡的訓練難以收斂，或者隻能收斂到局部次優解，這樣訓練齣來的網絡的性能還不如淺層神經網絡，這個嚴重的問題直接導緻瞭深度學習方法的上一次衰敗。然而近十年隨著數據以爆炸式的規模積纍以及計算能力的突飛猛進，人們發現在大量數據訓練下的深度神經網絡可以錶現得很好，而且計算能力的進步也讓訓練時間可以接受。總的來說，深度學習、機器學習和人工智能可以用一個蘊含關係來錶達，即人工智能包含機器學習，機器學習包含深度學習。

計算機視覺可能是當前機器學習應用最成功的領域，過去的方法需要大量的人工來提取特徵。比如，人們需要手工編寫分類器、邊緣檢測器，以便讓程序能識彆物體從哪裏開始，到哪裏結束。通過用上麵這些人工提取的特徵對算法進行訓練，機器學習的算法終於可以用來識彆圖像是不是一隻貓，而且效果還不錯。但是，這樣訓練齣來的模型對含有噪聲的數據並不能很好地處理，比如動物的某一部位塊被遮擋瞭，或者照片是在不同的光照環境下采集的。這些都會大大影響算法性能，導緻識彆的準確率下降。

這也是為什麼在之前幾年，機器學習算法雖然有著顯著的進步但是還不足以接近人的能力。因為，人工提取的特徵太僵化，許多環境的因素沒有考慮。但是，隨著深度學習的崛起，這樣瓶頸已經不復存在瞭。

一般我們會通過三個方麵來描述一個機器學習模型，它們是“模型”、“策略”和“算法”。模型討論瞭在數據學習的過程中，用來錶達數據的參數將以何種形式進行工作。有瞭模型，接下來需要考慮的問題是我們以何種標準來尋找模型的最優參數。最後是算法，機器學習（深度學習）的模型是基於數據進行學習的，有瞭學習的模型和標準後，就需要考慮通過怎樣的數值方法來求解最優模型。在下一節中我們會從這三個方麵來介紹深度學習的基礎。
……

前言/序言

深度學習已經成為瞭當今人工智能發展的主要助力，國務院印發的《新一代人工智能發展規劃》中錶示，2020年我國人工智能核心産業規模超過1500億元，帶動相關産業規模超過1萬億元；2030年人工智能核心産業規模超過1萬億元，帶動相關産業規模超過10萬億元。

為此産業界急需大量實用性人纔，而深度學習是一門理論與工程相結閤的科學，本書將以通俗易懂的方式講解深度學習技術，並輔以實踐教學。本書同時麵嚮深度學習初學者、進階者及工程師，內容涵蓋瞭全連接網絡、自編碼器、捲積神經網絡、遞歸神經網絡、深度增強學習、生成對抗網絡等，並附有多個進階實例教程。與傳統深度學習書籍相比，本書有以下特點。

本書注重實踐，科研人員和工程師都希望 深度學習：一起玩轉TensorLayer 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

很好很好很好很好很好很好很好很好很好很好很好很好

評分☆☆☆☆☆

比較新穎，關注深度學習的同學可以看看！

評分☆☆☆☆☆

入門用還行，如果英語不錯的話直接看官方的文檔也不錯。

評分☆☆☆☆☆

書很好，好好學習

評分☆☆☆☆☆

這本書很全麵，真的很全麵這本書很全麵，真的很全麵這本書很全麵，真的很全麵

評分☆☆☆☆☆

開始學習啦，開始學習啦

評分☆☆☆☆☆

包裝很好，比較薄的入門書，還沒開始看，但最近pytorch更新瞭不少語法，不知裏邊的例子是否還適用

評分☆☆☆☆☆

經常在京東買書，比較方便但也沒很優惠就是瞭

評分☆☆☆☆☆

估計作者是第一次齣書，排版和字體有點怪，不習慣

類似圖書 點擊查看全場最低價

查看全網最低價