正版 飞桨PaddlePaddle深度学习实战 刘祥龙 杨晴虹 胡晓光 于佃海 人工智能 机器学习 神经网络 强化学习

  商品基本信息

商品名称：

  飞桨PaddlePaddle深度学习实战

作     者：

刘祥龙 杨晴虹 胡晓光 于佃海 白浩杰 编著

深度学习技术及应用国家工程实验室

百度技术学院 组编

市 场 价：

  99.00元

ISBN  号：

  9787111662365

出版日期：

  2020-08

页     数：

  373页

开     本：

  16开

出 版 社：

  机械工业出版社

  目录

  序
前言
第一部分 数学与编程基础篇
第1章 数学基础与Python库 2
1.1 Python是进行人工智能编程的主要语言 2
1.2 数学基础 3
1.2.1 线性代数基础 3
1.2.2 微积分基础 7
1.3 Python库的操作 14
1.3.1 NumPy操作 14
1.3.2 Matplotlib操作 19
1.4 本章小结 23
第2章 深度学习概论与飞桨入门 24
2.1 人工智能、机器学习和深度学习 25
2.1.1 人工智能 25
2.1.2 机器学习 26
2.1.3 深度学习 26
2.2 深度学习的发展历程 27
2.2.1 神经网络的第一次高潮 27
2.2.2 神经网络的第一次寒冬 28
2.2.3 神经网络的第二次高潮 30
2.2.4 神经网络的第二次寒冬 30
2.2.5 深度学习的来临 31
2.2.6 深度学习崛起的时代背景 31
2.3 深度学习的应用场景 31
2.3.1 图像与视觉 32
2.3.2 语音识别 32
2.3.3 自然语言处理 33
2.3.4 个性化推荐 33
2.4 常见的深度学习网络结构 34
2.4.1 全连接网络结构 34
2.4.2 卷积神经网络 34
2.4.3 循环神经网络 35
2.5 机器学习回顾 35
2.5.1 线性回归的基本概念 36
2.5.2 数据处理 37
2.5.3 模型概览 38
2.5.4 效果展示 39
2.6 深度学习框架简介 40
2.6.1 深度学习框架的优势 40
2.6.2 常见的深度学习框架 41
2.6.3 飞桨简介 42
2.6.4 飞桨安装 42
2.6.5 AI Studio 43
2.7 飞桨实现 44
2.8 飞桨服务平台和工具组件 51
2.8.1 PaddleHub 51
2.8.2 X2Paddle 54
2.8.3 PARL 56
2.8.4 EasyDL 61
2.9 本章小结 62
第二部分 深度学习基础篇
第3章 深度学习的单层网络 64
3.1 Logistic回归模型 64
3.1.1 Logistic回归概述 64
3.1.2 损失函数 66
3.1.3 Logistic回归的梯度下降 68
3.2 实现Logistic回归模型 72
3.2.1 NumPy版本 73
3.2.2 飞桨版本 80
3.3 本章小结 88
第4章 浅层神经网络 89
4.1 神经网络 89
4.1.1 神经网络的定义及其结构 89
4.1.2 神经网络的计算 91
4.2 BP算法 96
4.2.1 逻辑回归与BP算法 96
4.2.2 单样本双层神经网络的BP算法 97
4.2.3 多样本神经网络的BP算法 100
4.3 BP算法实践 103
4.3.1 NumPy版本 103
4.3.2 飞桨版本 110
4.4 本章小结 114
第5章 深层神经网络 116
5.1 深层网络介绍 116
5.1.1 深度影响算法能力 116
5.1.2 网络演化过程与常用符号 118
5.2 传播过程 120
5.2.1 神经网络算法核心思想 120
5.2.2 深层网络正向传播过程 120
5.2.3 深层网络反向传播过程 121
5.2.4 传播过程总结 122
5.3 网络的参数 124
5.4 代码实现 125
5.4.1 NumPy版本 125
5.4.2 飞桨版本 128
5.5 本章小结 130
第6章 卷积神经网络 131
6.1 图像分类问题描述 131
6.2 卷积神经网络介绍 132
6.2.1 卷积层 132
6.2.2 ReLU激活函数 136
6.2.3 池化层 137
6.2.4 Softmax分类层 138
6.2.5 主要特点 139
6.2.6 经典神经网络架构 140
6.3 飞桨实现 145
6.3.1 数据介绍 145
6.3.2 模型概览 146
6.3.3 配置说明 146
6.4 本章小结 153
第7章 循环神经网络 154
7.1 任务描述 154
7.2 循环神经网络介绍 155
7.2.1 长短期记忆网络 156
7.2.2 门控循环单元 157
7.2.3 双向循环神经网络 158
7.2.4 卷积循环神经网络 159
7.3 利用飞桨实现机器翻译 159
7.3.1 数据准备 159
7.3.2 柱搜索 163
7.3.3 模型配置 167
7.3.4 模型训练 168
7.3.5 加载训练模型进行预测 169
7.4 本章小结 170
第8章 注意力机制 171
8.1 任务描述 171
8.2 注意力机制介绍 172
8.2.1 Transformer 172
8.2.2 Non-local神经网络 175
8.2.3 Attention Cluster神经网络 176
8.3 利用飞桨实现视频分类 177
8.3.1 Non-local神经网络 177
8.3.2 Attention Cluster 183
8.4 本章小结 195
第9章 算法优化 196
9.1 基础知识 196
9.1.1 训练、验证和测试集 196
9.1.2 偏差和方差 197
9.2 评估 198
9.2.1 选定评估目标 198
9.2.2 迭代过程 199
9.2.3 欠拟合和过拟合 199
9.3 调优策略 199
9.3.1 降低偏差 199
9.3.2 降低方差 204
9.4 超参数调优 209
9.4.1 随机搜索和网格搜索 209
9.4.2 超参数范围 209
9.4.3 分阶段搜索 210
9.4.4 例子：对学习率的调整 210
9.5 本章小结 212
第三部分 飞桨实践篇
第10章 目标检测 214
10.1 任务描述 214
10.2 常见模型解析 217
10.2.1 R-CNN系列 217
10.2.2 YOLO 223
10.2.3 SSD 228
10.3 PaddleDetection应用实践 231
10.3.1 Faster-R-CNN 231
10.3.2 YOLOv3 234
10.4 本章小结 237
第11章 图像生成 238
11.1 任务描述 238
11.1.1 图像生成 238
11.1.2 图像–图像转换 239
11.1.3 文本–图像转换 239
11.2 模型概览 240
11.2.1 图像生成 240
11.2.2 图像–图像 241
11.2.3 文本–图像 246
11.3 PaddleGAN应用实践 248
11.3.1 数据准备 248
11.3.2 参数设置 248
11.3.3 网络结构定义 249
11.3.4 模型训练 253
11.3.5 模型测试 256
11.4 本章小结 257
第12章 情感分析 258
12.1 任务描述 258
12.2 算法原理解析 259
12.2.1 BOW 259
12.2.2 DB-LSTM 259
12.3 情感分析应用实践 261
12.3.1 数据集下载 261
12.3.2 配置模型 262
12.3.3 训练模型 268
12.4 本章小结 273
第13章 机器翻译 274
13.1 任务描述 274
13.2 算法原理解析 275
13.2.1 Seq2Seq 275
13.2.2 Transformer 276
13.3 机器翻译应用实践 287
13.3.1 数据准备 287
13.3.2 模型配置 287
13.3.3 模型训练 289
13.3.4 模型测试 291
13.3.5 模型评估 292
13.4 本章小结 292
第14章 语义表示 293
14.1 任务描述 293
14.2 常见模型解析 294
14.2.1 ELMo 294
14.2.2 ERNIE 296
14.3 ERNIE应用实践 300
14.3.1 数据准备 301
14.3.2 模型配置 301
14.3.3 模型训练 302
14.3.4 模型评估 305
14.4 本章小结 305
第15章 个性化推荐 306
15.1 问题描述 306
15.2 传统推荐方法 307
15.2.1 基于内容的推荐 307
15.2.2 协同过滤推荐 309
15.2.3 混合推荐 310
15.3 深度学习推荐方法 310
15.3.1 YouTube的深度神经网络推荐系统 310
15.3.2 融合推荐系统 312
15.4 个性化推荐系统在飞桨上的实现 315
15.4.1 数据准备 315
15.4.2 模型设计 332
15.4.3 模型训练 358
15.4.4 保存特征 363
15.4.5 模型测试 364
15.5 本章小结 373

  内容简介

本书由百度官方出品，百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐。
本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。
在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。
本书提供配套代码合集，详情请访问http://aistudio.baidu.com/aistudio/projectdetail/518424。