深度學習之模型優化-核心演算法與案例實踐 言有三 9787121481529 【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：電子工業
物品所在地：中國大陸
原出版社：電子工業
NT$566
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
| *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：202407*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：深度學習之模型優化-核心演算法與案例實踐 ISBN：9787121481529 出版社：電子工業 著編譯者：言有三 叢書名：循序漸進學AI系列叢書 頁數：230 所在地：中國大陸 *此為代購商品 書號：1655464 可大量預訂，請先連絡。 內容簡介 本書由淺入深、系統性地介紹了深度學習模型壓縮與優化的核心技術。本書共9章，主要內容有：深度學習模型性能評估、模型可視化、輕量級模型設計、模型剪枝、模型量化、遷移學習與知識蒸餾、自動化模型設計、模型優化與部署工具。本書理論知識體系完備，同時提供了大量實例，供讀者實戰演練。 本書適合深度學習相關領域的演算法技術人員、教職員工，以及人工智慧方向的本科生、研究生閱讀。讀者既可以將本書作為核心演算法書籍學習理論知識，也可以將其作為工程參考手冊查閱相關技術。目錄 第1章 引言1 1 人工智慧時代背景 1 2 數據處理 1 2 1 大數據時代背景 1 2 2 數據獲取 1 2 3 數據清洗與整理 1 3 演算法基礎 1 3 1 卷積的概念 1 3 2 CNN基本概念 1 4 計算晶元 1 4 1 GPU 1 4 2 ARM 1 5 深度學習框架 1 5 1 Caffe 1 5 2 TensorFlow 1 5 3 PyTorch 第2章 模型性能評估 2 1 性能指標 2 1 1 基準模型 2 1 2 參數量 2 1 3 計算量與內存訪問代價 2 1 4 計算速度 2 1 5 并行化程度 2 1 6 能耗 2 2 學術與產業競賽 第3章 模型可視化 3 1 模型可視化基礎 3 1 1 為什麼要研究模型可視化 3 1 2 模型可視化的研究方向 3 2 模型結構可視化 3 2 1 Netscope可視化方法 3 2 2 TensorBoard模型結構可視化 3 2 3 Graphiz可視化工具 3 2 4 Netron可視化工具 3 3 模型參數與特徵可視化 3 3 1 參數可視化 3 3 2 激活值可視化 3 3 3 工具 3 4 輸入區域重要性可視化 3 4 1 基本原理 3 4 2 基於反向傳播的輸入可視化 3 4 3 類激活映射可視化 3 5 輸入激活模式可視化 3 5 1 概述 3 5 2 梯度計演算法 3 5 3 反卷積法 3 5 4 網路反轉法 3 5 5 小結 3 6 模型可視化分析實踐 3 6 1 基於梯度計演算法的可視化 3 6 2 反卷積可視化 3 6 3 CAM可視化 3 6 4 小結 第4章 輕量級模型設計 4 1 卷積核的使用和設計 4 1 1 全連接層的壓縮 4 1 2 小卷積核的應用 4 2 卷積拆分與分組 4 2 1 卷積拆分操作 4 2 2 分組卷積Xception與MobileNet 4 2 3 ShuffleNet 4 2 4 級連通道分組網路 4 2 5 多解析度卷積核通道分組網路 4 2 6 多尺度通道分組網路 4 2 7 多精度分組網路 4 3 特徵與參數重用設計 4 3 1 特徵重用 4 3 2 參數重用 4 4 動態自適應模型設計 4 4 1 什麼是動態模型 4 4 2 基於提前終止與模塊丟棄原理的動態模型 4 4 3 基於注意力感知的動態模型 4 5 卷積乘法操作優化和設計 4 5 1 移位網路 4 5 2 加法網路 4 5 3 移位網路與加法網路結合 4 6 重參數化技巧 4 6 1 網路層合併 4 6 2 分支合併 4 7 新穎運算元設計 4 8 低秩稀疏化設計 第5章 模型剪枝 5 1 模型剪枝基礎 5 1 1 什麼是模型剪枝 5 1 2 模型剪枝的粒度 5 2 模型稀疏學習 5 2 1 權重正則化約束 5 2 2 基於網路結構的設計 5 3 非結構化剪枝技術 5 3 1 基於優化目標的方法 5 3 2 基於權重幅度的方法 5 3 3 向量剪枝技術 5 4 結構化剪枝技術 5 4 1 基於重要性因子的剪枝演算法 5 4 2 基於輸出重建誤差的通道剪枝演算法 5 4 3 基於優化目標敏感性的剪枝演算法 5 4 4 卷積核剪枝和通道剪枝的差異 5 5 模型剪枝的一些問題 5 5 1 剪枝的必要性 5 5 2 訓練策略 5 5 3 整個網路同時剪枝 5 5 4 運行時剪枝 5 6 圖像分類模型結構化剪枝實戰 5 6 1 模型定義與數據集 5 6 2 模型訓練 5 6 3 模型剪枝 5 6 4 殘差網路 5 6 5 小結 第6章 模型量化 6 1 模型量化基礎 6 1 1 什麼是模型量化 6 1 2 量化的優勢 6 2 二值量化演算法 6 2 1 基於閾值映射函數的方法 6 2 2 基於重建誤差的方法 6 2 3 從二值量化模型到三值量化模型 6 2 4 二值量化的主要問題 6 3 8bit量化 6 3 1 基於變換函數的非對稱量化 6 3 2 基於信息損失的對稱量化 6 4 混合精度量化演算法 6 4 1 一般混合精度量化演算法 6 4 2 自動位寬學習 6 5 半精度浮點數訓練演算法 6 6 模型量化的一些其他問題 6 6 1 非均勻量化 6 6 2 更穩定地訓練量化模型 6 6 3 量化訓練與離線量化的比較 6 7 基於TensorRT框架的模型量化推理實踐 6 7 1 項目簡介 6 7 2 量化演算法實現 6 7 3 TensorRT模型量化與推理 第7章 遷移學習與知識蒸餾 7 1 遷移學習與知識蒸餾基礎 7 1 1 遷移學習的基本概念 7 1 2 知識蒸餾的基本概念 7 2 基於優化目標驅動的知識蒸餾 7 2 1 預訓練大模型框架 7 2 2 大模型與小模型共同學習框架 7 2 3 小結 7 3 基於特徵匹配的知識蒸餾 7 3 1 基本框架 7 3 2 注意力機制的使用 7 4 自蒸餾框架 7 4 1 深度協同學習 7 4 2 自監督學習 7 4 3 自進化學習 7 5 知識蒸餾的一些問題 7 5 1 教師模型是否越強越好 7 5 2 學生模型與教師模型的相互學習 7 6 基於經典知識蒸餾的圖像分類實戰 7 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。 |
