深度學習模型與演算法基礎 許慶陽 宋勇 9787302651079 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：清華大學
物品所在地：中國大陸
原出版社：清華大學
NT$350
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *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，以到貨標的為實際資訊。 印行年月：202312*若逾兩年請先於私訊洽詢存貨情況，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：深度學習模型與演算法基礎 ISBN：9787302651079 出版社：清華大學 著編譯者：許慶陽 宋勇 頁數：263 所在地：中國大陸 *此為代購商品 書號：1615508 可大量預訂，請先連絡。 內容簡介 隨著我國逐步由信息化社會向智能化社會發展，人工智慧技術作為智能社會的重要組成部分，備受關注。從智能語音助手到自動駕駛汽車，從智能醫療到智能家居，人工智慧技術正在改變著我們的生活方式。深度學習方法作為實現人工智慧的重要手段，無論在圖像理解、語音識別、自然語言處理等領域都展現出了超越傳統演算法的實力。因此，人工智慧、機器人工程、智能科學與技術等新工科專業將其列為必修課程，以便學生們能夠掌握到這一前沿技術的核心知識和技能。而自動化、計算機科學與技術等傳統專業也將其列為專業選修課程，以便學生們能夠擴展自己的知識領域和提升自身的競爭力。 本書是一本全面介紹深度學習常見理論模型與演算法的教材，涵蓋了深度學習的發展歷程、基礎理論、核心演算法、應用領域以及相關工具。通過對常見的深度學習模型進行剖析，闡述神經網路前向計算中的數據轉換原理，並細緻地推導和分析了神經網路參數學習方法，從而使學生能夠充分地理解神經網路的工作原理以及網路架構設計思路，以便學生在以後的科研和工作過程中，能夠進行自主架構的設計，提升我國的自主創新能力。目錄 第1章 緒論1 1 人工神經網路發展史 1 1 1 人工神經網路的提出 1 1 2 人工神經網路的隕落 1 1 3 人工神經網路的興起 1 1 4 深度學習的提出 1 2 人工神經網路學習機理 1 2 1 生物學機理 1 2 2 淺層學習 1 2 3 深度學習 1 2 4 特徵學習 第2章 神經網路基礎 2 1 概述 2 2 感知器 2 2 1 感知器學習規則 2 2 2 感知器原理 2 3 線性單元 2 4 δ學習規則 2 5 BP神經網路結構 2 5 1 BP神經網路原理 2 5 2 BP神經元偏移量 2 5 3 BP神經網路非線性表達能力 2 6 反向傳播演算法 2 6 1 誤差項推導 2 6 2 誤差反向傳播演算法流程 2 6 3 誤差反向傳播演算法計算示例 2 7 梯度檢查 2 8 超參數的確定 2 9 模型訓練與評估 2 10 向量化編程 第3章 自編碼器 3 1 自編碼器原理 3 2 不同種類的自編碼器 3 2 1 正則自編碼器 3 2 2 稀疏自編碼器 3 2 3 去噪自編碼器 3 3 堆疊自編碼器 3 4 預訓練與深度學習 3 5 Softmax與交叉熵函數融合 3 6 深度神經網路權值初始化方法 3 6 1 Xavier初始化方法 3 6 2 Kaiming初始化方法 3 6 3 LeCun初始化方法 第4章 卷積神經網路 4 1 全連接神經網路局限性 4 2 卷積神經網路原理 4 3 卷積神經網路前向計算 4 3 1 新的激活雨數 4 3 2 卷積層 4 3 3 池化層 4 3 4 全連接層 4 4 卷積網路計算實例 4 5 卷積神經網路訓練 4 5 1 池化層誤差傳遞 4 5 2 卷積層誤差傳遞 4 5 3 卷積層參數訓練 4 5 4 卷積神經網路訓練流程 4 5 5 卷積神經網路訓練計算實例 4 6 深度神經網路計算模式 4 6 1 卷積計算加速 4 6 2 自動微分方法 第5章 卷積神經網路結構演化 5 1 典型的卷積神經網路 5 1 1 卷積網路加深 5 1 2 卷積網路拓寬 5 1 3 殘差網路 5 2 輕量化網路 5 3 卷積操作模式設計 5 4 全卷積網路 第6章 深度殘差網路 6 1 概述 6 2 殘差網路結構 6 3 殘差網路討論 6 4 Highway Network 6 5 殘差網路變體 6 5 1 Wide Residual Network 6 5 2 ResNeXt 6 5 3 DenseNet 6 5 4 DPN 第7章 目標檢測演算法 7 1 傳統目標檢測方法 7 2 基於深度學習的目標檢測方法 7 2 1 目標檢測常用技術 7 2 2 R-CNN 7 2 3 SPP-Net 7 2 4 Fast R-CNN 7 2 5 Faster R-CNN 7 2 6 YOLO 7 2 7 SSD 7 3 目標檢測演算法的改進 第8章 循環神經網路 8 1 循環神經網路概述 8 1 1 循環神經網路原理 8 1 2 雙向循環神經網路 8 1 3 深度循環神經網路 8 1 4 典型循環神經網路結構 8 2 循環神經網路訓練演算法 8 2 1 BPTT訓練演算法 8 2 2 實時循環學習演算法 8 2 3 梯度爆炸與消失問題 8 3 RNN應用 第9章 長短時記憶網路 9 1 LSTM原理 9 2 LSTM前向計算 9 3 LSTM網路訓練 9 3 1 網路訓練演算法 9 3 2 誤差項沿時間傳遞 9 3 3 誤差項沿網路層次傳遞 9 4 GRU 9 4 1 GRU前向計算 9 4 2 GRU訓練演算法 第10章 Transformer 10 1 神經網路注意力機制 10 1 1 神經網路注意力機制原理 10 1 2 自注意力機制 10 2 Transformer模型 10 2 1 編碼器模塊 10 2 2 解碼器模塊 10 3 神經網路語言模型 10 3 1 GPT模型 10 3 2 BERT模型 10 3 3 GLM模型 第11章 生成式模型 11 1 概述 11 2 生成對抗網路 11 2 1 生成模型 11 2 2 判別模型 11 2 3 目標函數 11 2 4 典型生成對抗網路 11 3 變分自編碼器 11 3 1 模型推導 11 3 2 討論 11 3 3 VAE實現 11 4 自回歸模型 11 5 擴散模型 第12章 深度學習框架 12 1 計算圖 12 2 典型深度學習框架 12 2 1 國外深度學習框架 12 2 2 國內深度學習框架 參考文獻 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PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
