返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 深度学习(下) 张宪超 著 专业科技 文轩网
  • 新华书店正版
    • 作者: 张宪超著
    • 出版社: 科学出版社
    • 出版时间:2018-04-01 00:00:00
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    文轩网图书旗舰店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

         https://product.suning.com/0070067633/11555288247.html

     

    商品参数
    • 作者: 张宪超著
    • 出版社:科学出版社
    • 出版时间:2018-04-01 00:00:00
    • 版次:1
    • 印次:1
    • 印刷时间:2019-07-01
    • 字数:717千字
    • 页数:448
    • 开本:16开
    • 装帧:平装
    • ISBN:9787030599568
    • 国别/地区:中国
    • 版权提供:科学出版社

    深度学习(下)

    作  者:张宪超 著
    定  价:168
    出 版 社:科学出版社
    出版日期:2019年07月01日
    页  数:436
    装  帧:平装
    ISBN:9787030599568
    主编推荐

    内容简介

    本书对所有主要的深度学习方法和近期新研究趋势进行了深入探索。全书分为上下两卷,五个部分。上卷包括两个部分:第一部分是基础算法,包括机器学习基础算法、早期神经网络算法、深度学习的正则化方法和深度学习的优化方法;第二部分是判别式模型,包括卷积神经网络(CNN)、循环神经网络(RNN)、长短期记忆模型(LSTM)、注意力机制和记忆网络。下卷包括三个部分:第三部分是生成式模型,包括深度置信网络/深度玻尔兹曼机、自编码器(AE)/变分自编码器(VAE)、生成对抗网络(GAN)、像素级生成、深度聚类等;第四部分是前沿技术,讨论深度强化学习;第五部分是安全保障,包括深度学习的可解释性和对抗样本的攻击与防御。本书特别注重学术前沿,对包括胶囊网络在内的当前近期新成果进行了细致的讨论。全书构建了一套明晰的深度学习体系,同时各章内容相对独立,并有辅助网站(http://deeplearningresounull

    作者简介

    精彩内容

    目录
    前言
    9 深度置信网络和深度玻尔兹曼机
    9.1 深度置信网络和深度玻尔兹曼机的起源
    9.1.1 玻尔兹曼机
    9.1.2 受限玻尔兹曼机
    9.2 模型参数学习
    9.2.1 吉布斯采样
    9.2.2 对比散列算法
    9.3 深度置信网络
    9.3.1 深度置信网络模型
    9.3.2 深度置信网络训练
    9.4 深度玻尔兹曼机
    9.4.1 深度玻尔兹曼机模型
    9.4.2 深度玻尔兹曼机参数学习
    9.5 深度置信网络和深度玻尔兹曼机的应用
    9.5.1 深度置信网络的应用
    9.5.2 深度玻尔兹曼机的应用
    9.6 阅读材料
    参考文献
    10 自编码器
    10.1 自编码器介绍
    10.1.1 自编码器的结构
    10.1.2 自编码器的训练
    10.2 深度自编码器
    10.3 自编码器的变形
    10.3.1 稀疏自编码器
    10.3.2 降噪自编码器
    10.3.3 收缩自编码器
    10.3.4 掩码自编码器
    10.3.5 其他自编码器
    10.4 变分自编码器
    10.4.1 变分推断
    10.4.2 详解变分自编码器
    10.5 变分自编码器的变形
    10.5.1 半监督变分自编码器
    10.5.2 反向自回归流变分自编码器
    10.5.3 信息优选化变分自编码器
    10.5.4 优选均值差异变分自编码器
    10.5.5 向量量化变分自编码器
    10.5.6 降噪变分自编码器
    10.5.7 梯形变分自编码器
    10.6 变分自编码器的应用
    10.6.1 机器翻译
    10.6.2 文本分类
    10.7 阅读材料
    参考文献
    11 生成对抗网络
    11.1 原始生成对抗网络
    11.1.1 生成对抗网络的基本结构
    11.1.2 深入理解生成对抗网络
    11.1.3 原始生成对抗网络中的问题
    11.2 生成对抗网络的发展
    11.2.1 深度卷积生成对抗网络
    11.2.2 基于Wasserstein距离的生成对抗网络
    11.2.3 加罚项的基于Wasserstein距离的生成对抗网络
    11.2.4 带有一致化项的生成对抗网络
    11.2.5 损失敏感的生成对抗网络
    11.2.6 信息优选化生成对抗网络
    11.3 生成对抗网络的训练
    11.3.1 训练生成对抗网络的问题与发展
    11.3.2 训练生成对抗网络的一些技巧
    11.3.3 渐进增大方式训练生成对抗网络
    11.3.4 生成对抗网络的谱归一化
    11.3.5 通过原始-对偶次梯度方法训练生成对抗网络
    11.3.6 用优化镜像下降的方法训练生成对抗网络
    11.3.7 一阶惩罚生成对抗网络
    11.4 深度生成模型的联合模型
    11.4.1 对抗变分贝叶斯方法
    11.4.2 建立深度生成模型之间的原则性联系
    11.4.3 对抗自编码器
    11.4.4 Wasserstein自编码器
    11.5 很优传输理论与生成对抗网络
    11.5.1 从很优传输理论到生成模型
    11.5.2 利用很优传输理论改善生成对抗网络
    11.6 生成对抗网络的评估
    11.6.1 几何评分:一种比较样本的方法
    11.6.2 调节生成器对生成对抗网络性能的影响
    11.7 生成对抗网络的其他模型
    11.8 生成对抗网络的应用
    11.8.1 图像的生成与操作
    11.8.2 文本
    11.9 早期的对抗模型
    11.10 生成对抗网络的总结
    11.11 阅读材料
    参考文献
    12 像素级生成模型
    12.1 PixelCNN
    12.1.1 PixelCNN介绍
    12.1.2 mask卷积
    12.1.3 盲点问题
    12.2 PixelRNN
    12.2.1 行LSTM PixelRNN
    12.2.2 对角线BiLSTM PixelRNN
    12.3 门PixelCNN
    12.4 条件PixelCNN
    12.5 PixelVAE
    12.6 PixelGAN
    12.7 阅读材料
    参考文献
    13 深度聚类
    13.1 聚类概述
    13.1.1 传统聚类与深度聚类之间的关系
    13.1.2 深度聚类模型结构
    13.1.3 深度聚类损失函数
    13.1.4 簇的更新策略
    13.2 深度嵌入聚类算法
    13.2.1 自编码器与聚类结合
    13.2.2 变分自编码器与聚类的结合
    13.2.3 梯子网络与聚类的结合
    13.2.4 卷积神经网络与聚类的结合
    13.3 深度谱聚类
    13.4 深度子空间聚类
    13.5 阅读材料
    参考文献
    14 深度强化学习
    14.1 基于值函数的深度强化学习
    14.1.1 深度Q网络
    14.1.2 双重深度Q网络
    14.1.3 优先化经验回放的深度Q网络
    14.1.4 基于竞争网络架构的深度Q网络
    14.2 基于策略搜索的深度强化学习
    14.2.1 深度确定性策略梯度算法
    14.2.2 异步的优势行动者-评论家算法
    14.3 基于模型的深度强化学习
    14.3.1 AlphaGo发展史
    14.3.2 AlphaGo原理介绍
    14.4 深度强化学习的应用
    14.5 深度强化学习的未来
    14.6 阅读材料
    参考文献
    15 深度学习的可解释性
    15.1 可解释性概述
    15.1.1 什么是可解释性
    15.1.2 可解释的必要性
    15.1.3 可解释性研究进展
    15.2 可视化
    15.2.1 可视化方法分类
    15.2.2 特征可视化
    15.2.3 关系可视化
    15.2.4 过程可视化
    15.3 深度学

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购