由于此商品库存有限,请在下单后15分钟之内支付完成,手慢无哦!
100%刮中券,最高50元无敌券,券有效期7天
活动自2017年6月2日上线,敬请关注云钻刮券活动规则更新。
如活动受政府机关指令需要停止举办的,或活动遭受严重网络攻击需暂停举办的,或者系统故障导致的其它意外问题,苏宁无需为此承担赔偿或者进行补偿。
[正版新书] 进化深度学习 [加] 迈克尔·兰哈姆 清华大学出版社 机器学习
¥ ×1
书名: | 进化深度学习 |
出版社: | 清华大学出版社 |
出版日期 | 2024 |
ISBN号: | 9787302658214 |
主要内容 ● 用进化计算解决复杂的设计和分析问题 ● 调整深度学习超参数 ● 将Q-Learning应用于深度学习,从而进行深度强化学习 ● 优化无监督自编码器的损失函数和网络架构 ● 创建一个能够参与OpenAI Gym游戏的进化智能体
|
Micheal Lanham是一位可靠的软件和技术创新者,拥有超过20年的工作经验。 |
|
进化深度学习 在这本不可思议的书中,将深度学习与进化生物学结合起来,研究增强神经网络解决棘手的搜索、优化和控制问题的能力。通过实用且有趣的示例展示了来自自然界的古老经验如何推动数据科学的发展。 《进化深度学习》介绍了进化计算(EC),并为你提供了一套实用的技术工具,你可以在整个深度学习过程中应用这些技术。本书提供了遗传算法和进化计算方法在网络拓扑、生成模型、强化学习等方面的应用。通过交互式的Colab notebook使你有机会在探索过程中进行实验。
|
|
目 录 第Ⅰ部分 入门 第1章 进化深度学习简介 3 1.1 什么是进化深度学习 4 1.2 EDL的缘由和应用领域 7 1.3 深度学习优化的需求 7 1.4 用自动化机器学习实现自动优化 9 1.5 进化深度学习的应用 12 1.5.1 模型选择:权重搜索 12 1.5.2 模型架构:架构优化 13 1.5.3 超参数调优 14 1.5.4 验证和损失函数的优化 14 1.5.5 神经进化增强拓扑结构 14 1.5.6 目标 14 1.6 本章小结 15 第2章 进化计算简介 17 2.1 Google Colaboratory中的康威生命游戏 17 2.2 用Python进行生命模拟 20 2.3 将生命模拟作为优化 23 2.4 向生命模拟添加进化 26 2.4.1 模拟进化 26 2.4.2 练习 29 2.4.3 关于达尔文和进化的背景知识 30 2.4.4 自然选择和适者生存 30 2.5 Python中的遗传算法 31 2.5.1 了解遗传学和减数分裂 31 2.5.2 编码遗传算法 33 2.5.3 构建种群 34 2.5.4 评估适应度 34 2.5.5 选择繁殖(交叉) 35 2.5.6 应用交叉:繁殖 36 2.5.7 应用突变和变异 38 2.5.8 将所有内容整合在一起 38 2.5.9 理解遗传算法的超参数 41 2.5.10 练习 42 2.6 本章小结 42 第3章 使用DEAP介绍遗传算法 45 3.1 DEAP中的遗传算法 45 3.1.1 使用DEAP解决一维最大化问题 46 3.1.2 练习 48 3.2 解决“王后开局”问题 49 3.3 旅行商问题 53 3.3.1 构建旅行商问题求解器 55 3.3.2 练习 58 3.4 改进进化的遗传操作符选择 59 3.5 使用EvoLisa进行绘画 63 3.6 本章小结 69 第4章 使用DEAP进行更多的进化计算 71 4.1 基于DEAP的遗传编程 71 4.1.1 用遗传编程解决回归问题 72 4.1.2 练习 77 4.2 基于DEAP的粒子群优化算法 77 4.2.1 用PSO求解方程 78 4.2.2 练习 82 4.3 基于DEAP的协同进化解决方案 82 4.4 使用DEAP的进化策略 87 4.4.1 将进化策略应用于函数逼近问题 87 4.4.2 重新审视EvoLisa 92 4.4.3 练习 93 4.5 基于DEAP的差分进化 94 4.5.1 使用差分进化逼近复杂和不连续的函数 94 4.5.2 练习 97 4.6 本章小结 97 第Ⅱ部分 优化深度学习 第5章 自动超参数优化 101 5.1 选项选择和超参数调优 102 5.1.1 调优超参数策略 102 5.1.2 选择模型选项 106 5.2 使用随机搜索自动化超参数优化过程 108 5.3 网格搜索和超参数优化 114 5.4 使用进化计算进行超参数优化 119 5.4.1 将PSO用于超参数优化 119 5.4.2 将进化计算和DEAP添加到自动化超参数优化中 119 5.5 在超参数优化中使用遗传算法和进化策略 123 5.5.1 将进化策略应用于超参数优化 123 5.5.2 使用主成分分析扩展维度 125 5.6 对超参数优化使用差分进化 128 5.7 本章小结 132 第6章 神经进化优化 133 6.1 使用NumPy的多层感知器 134 6.2 将遗传算法作为深度学习优化器 139 6.3 神经优化的其他进化方法 142 6.4 将神经进化优化应用于Keras 144 6.5 理解进化优化的局限性 148 6.6 本章小结 151 第7章 进化卷积神经网络 153 7.1 回顾Keras中的卷积神经网络 153 7.1.1 理解CNN层的问题 158 7.1.2 练习 161 7.2 将网络架构编码成基因 162 7.3 创建交叉配对操作 166 7.4 开发一个自定义突变操作符 168 7.5 卷积网络架构的进化 171 7.6 本章小结 175 第Ⅲ部分 高级应用 第8章 进化自编码器 179 8.1 卷积自编码器 180 8.1.1 自编码器简介 180 8.1.2 构建卷积自编码器 181 8.1.3 练习 185 8.1.4 卷积AE的泛化 185 8.1.5 改进自编码器 186 8.2 进化自编码器(AE)优化 188 8.2.1 构建AE基因序列 188 8.2.2 练习 192 8.3 配对和突变自编码器基因序列 193 8.4 进化自编码器介绍 195 8.5 构建变分自编码器 198 8.5.1 变分自编码器:综述 198 8.5.2 VAE的实现 200 8.5.3 练习 205 8.6 本章小结 206 第9章 生成式深度学习与进化 207 9.1 生成对抗网络(GAN) 2079.1.1 GAN简介 208 9.1.2 在Keras中构建卷积生成对抗网络 209 9.1.3 练习 214 9.2 训练GAN的挑战 215 9.2.1 GAN优化问题 215 9.2.2 观察梯度消失 216 9.2.3 观察GAN中的模式坍塌 218 9.2.4 观察GAN中的收敛失败 220 9.2.5 练习 222 9.3 使用Wasserstein损失修复GAN的问题 223 9.3.1 理解Wasserstein损失 223 9.3.2 使用Wasserstein损失改进DCGAN 224 9.4 对Wasserstein DCGAN编码,以便进行进化优化 226 9.5 使用遗传算法优化DCGAN 230 9.6 本章小结 231 第10章 NEAT:神经进化增强拓扑 233 10.1 使用NEAT-Python探索NEAT 235 10.2 可视化进化的NEAT网络 238 10.3 通过NEAT的功能进行练习 241 10.4 使用NEAT对图像进行分类 246 10.5 揭示种群细分在进化拓扑中的作用 250 10.5.1 调整NEAT的物种划分 252 10.5.2 练习 255 10.6 本章小结 255 第11章 使用NEAT进行进化学习 257 11.1 介绍强化学习 257 11.1.1 冰冻湖面上的Q-learning智能体 259 11.1.2 练习 265 11.2 探索OpenAI Gym中的复杂问题 266 11.3 使用NEAT解决强化学习问题 270 11.4 使用NEAT智能体解决Gym中的月球着陆器问题 274 11.5 使用DQN解决Gym中的登月器问题 277 11.6 本章小结 282 第12章 进化机器学习及其拓展领域 283 12.1 基因表达编程中的进化和机器学习 284 12.2 重新审视使用Geppy的强化学习 289 12.3 介绍本能学习 294 12.3.1 本能学习的基础知识 294 12.3.2 发展通用本能 296 12.3.3 进化出不带本能的通用解决方案 299 12.3.4 练习 302 12.4 遗传编程中的泛化学习 302 12.5 进化机器学习的未来 309 12.5.1 进化是否出现了问题 309 12.5.2 进化可塑性 309 12.5.3 利用可塑性改进进化过程 310 12.5.4 计算与进化搜索 311 12.6 利用本能深度学习和深度强化学习进行泛化 312 12.7 本章小结 317 附录A 获取和运行代码 319
|
|
亲,大宗购物请点击企业用户渠道>小苏的服务会更贴心!
亲,很抱歉,您购买的宝贝销售异常火爆让小苏措手不及,请稍后再试~
非常抱歉,您前期未参加预订活动,
无法支付尾款哦!
抱歉,您暂无任性付资格