深度學習 方勇純 許靜 張敬林等 9787111776109 【台灣高等教育出版社】

*書籍均為代購，我們向大陸付款發訂後即無法取消，為避免造成不必要的損失，
下訂前請慎重考慮！下訂前請慎重考慮！謝謝。
*完成訂單後正常情形下約兩周可抵台。
*本賣場提供之資訊僅供參考，以到貨標的為正確資訊。
印行年月：202412*若逾兩年請先於客服中心或Line洽詢存貨情況，謝謝。
台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。
書名：深度學習
ISBN：9787111776109
出版社：機械工業
著編譯者：方勇純 許靜 張敬林等
頁數：268
所在地：中國大陸 *此為代購商品
書號：1718916
可大量預訂，請先連絡。

內容簡介

本書主要介紹深度學習方面的基本理論和方法，包括基礎性內容、提高性內容和應用三部分。其中，第一部分基礎性內容是深度學習最核心的部分，具體包括深度學習基礎、全連接網絡、卷積神經網絡、循環神經網絡以及優化算法。第二部分是提高性內容，主要闡述最新發展的一些技術，可供課時充足的專業進行學習。這部分主要包括生成對抗網絡與擴散模型、圖神經網絡、Transformer與Mamba架構以及強化學習。第三部分是應用部分，具體包括計算機視覺、自然語言處理以及大語言模型。 本書可作為普通高等院校人工智能、智能科學與技術、計算機、自動化等專業深度學習課程的教材和參考書，也可供從事深度學習等方面工作的研究生和工程技術人員參考使用。

目錄

前言
第1章 深度學習基礎
1 1 深度學習應用舉例
1 1 1 ChatGPT
1 1 2 圖像及視頻生成
1 1 3 古捲軸破譯
1 2 機器學習基礎
1 2 1 機器學習簡介與基本概念
1 2 2 機器學習問題分類
1 2 3 數據準備和預處理
1 2 4 構建機器學習模型
1 2 5 模型訓練與評估
1 2 6 模型泛化能力
1 3 微積分基礎
1 3 1 微分與導數
1 3 2 函數近似與泰勒展開
1 3 3 多元函數及其偏導數
1 3 4 複合函數及鏈式法則
1 4 線性代數基礎
1 4 1 向量
1 4 2 矩陣
1 4 3 梯度
1 4 4 特徵分解與奇異值分解
1 5 概率統計基礎
1 5 1 隨機變數
1 5 2 概率分佈
1 5 3 期望與方差
1 5 4 條件概率與貝葉斯法則
1 5 5 極大似然估計
本章小結
思考題與習題
參考文獻
第2章 全連接網絡
2 1 網絡結構
2 1 1 生物神經結構
2 1 2 隱藏層
2 2 激活函數
2 2 1 ReLU函數
2 2 2 SoftPlus函數
2 2 3 Sigmoid函數
2 2 4 tanh函數
2 2 5 GeLU函數
2 2 6 其他激活函數
2 3 損失函數
2 3 1 均方誤差損失
2 3 2 平均絕對誤差損失
2 3 3 平滑L1損失
2 3 4 交叉熵損失
2 3 5 KL散度損失
2 3 6 其他損失函數
2 4 反向傳播
2 4 1 標量形式的反向傳播
2 4 2 梯度消失與梯度爆炸
2 4 3 計算圖
2 4 4 向量形式的反向傳播
2 5 異或問題
本章小結
思考題與習題
參考文獻
第3章 卷積神經網絡
3 1 卷積層
3 1 1 卷積運算
3 1 2 卷積的特點
3 1 3 卷積的數學性
3 2 其他卷積類型
3 2 1 轉置卷積
3 2 2 空洞卷積
3 2 3 分組卷積
3 2 4 可分離卷積
3 3 池化層
3 3 1 平均池化
3 3 2 最大池化
3 3 3 最大池化和平均池化的區別
3 3 4 PyTorch實現
3 4 卷積層與全連接層比較
3 5 經典網絡結構
3 5 1 LeNet
3 5 2 AlexNet
3 5 3 VGG
3 5 4 GoogleNet
3 5 5 ResNet
3 6 卷積神經網絡代碼實現
本章小結
思考題與習題
參考文獻
第4章 循環神經網絡
4 1 序列問題
4 2 循環神經網絡結構
4 2 1 隱狀態
4 2 2 權值共享
4 2 3 輸入與輸出編碼
4 2 4 深度循環網絡
4 2 5 雙向循環網絡
4 2 6 梯度消失與爆炸
4 2 7 PyTorch實現
4 3 門控循環單元
4 3 1 GRU單元
4 3 2 PyTorch實現
4 4 長短時記憶網絡
4 4 1 長短時記憶網絡中的門控單元
4 4 2 LSTM的歷史和相關變體
4 4 3 PyTorch實現
4 5 編碼器-解碼器架構
本章小結
思考題與習題
參考文獻
第5章 優化算法
5 1 訓練深度網絡的挑戰
5 1 1 凸函數與非凸函數
5 1 2 局部極小值點與鞍點
5 1 3 深度學習訓練中的其他挑戰
5 2 隨機梯度下降
5 2 1 梯度下降
5 2 2 隨機梯度下降
5 2 3 小批量SGD
5 2 4 初始化
5 2 5 學習率
5 2 6 梯度截斷
5 3 動量法
5 3 1 重球法
5 3 2 指數移動平均
5 3 3 Nesterov加速法
5 3 4 PyTorch實現
5 4 自適應學習率算法
5 4 1 AdaGrad
5 4 2 RMSProp
5 4 3 Adam
5 4 4 AdamW
5 5 批量規範化和層規範化
本章小結
思考題與習題
參考文獻
第6章 生成對抗網絡與擴散模型
6 1 生成對抗網絡
6 1 1 什麼是生成對抗網絡
6 1 2 生成對抗網絡的應用範圍
6 2 生成對抗網絡的原理
6 2 1 生成模型
6 2 2 判別模型
6 2 3 訓練過程
6 3 生成對抗網絡的可視化與實踐
6 3 1 生成對抗網絡訓練過程可視化
6 3 2 生成對抗網絡的衍生結構
6 4 擴散模型
6 4 1 什麼是擴散模型
6 4 2 擴散模型的使用範圍
6 5 擴散模型的原理
6 5 1 擴散模型的基礎
6 5 2 擴散模型的核心思想
6 5 3 擴散模型的數學原理
6 6 生成對抗網絡與擴散模型的結合
6 6 1 結合的優勢
6 6 2 結合的改進策略
6 6 3 擴散模型與AIGC應用
本章小結
思考題與習題
參考文獻
第7章 圖神經網絡
7 1 圖嵌入向量
7 1 1 節點嵌入
7 1 2 邊嵌入
7 1 3 圖嵌入
7 1 4 圖嵌入方法
7 2 圖生成模型
7 2 1 一種圖生成網絡IDGL
7 2 2 GAN在圖上的應用
7 2 3 基於VAE的圖生成模型（GraphVAE）
7 2 4 基於GAN的圖生成模型（GraphGAN）
7 3 圖神經網絡方法
7 3 1 圖卷積神經網絡
7 3 2 圖注意力網絡
7 3 3 動態圖神經網絡
7 3 4 異構圖神經網絡
詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於客服中心或Line或本社留言板留言，我們即儘速上架。

大陸簡體正版圖書，訂購後正常情形下約兩周可抵台。