新書推薦：
《
何以中国·忠臣之变：大宋989—1051
》
售價：HK$
80.2
《
西游的黎明：三界神魔往事
》
售價：HK$
85.0
《
壹卷YEBOOK——胡克与16世纪的英国政制危机
》
售價：HK$
89.7
《
金融中的机器学习：理论与实践
》
售價：HK$
140.8
《
五代十国史（上、下册）
》
售價：HK$
184.8
《
低空经济：开辟天空下的商业新蓝海
》
售價：HK$
85.8
《
飞越疯人院
》
售價：HK$
75.9
《
家族财富管理：成功投资七要务（第二版）
》
售價：HK$
108.9
|
| 編輯推薦： |
|
本书详细介绍了深度学习技术的基础理论和前沿模型，并结合作者的科研成果和项目案例培养读者的实践能力。适合作为数据科学家、人工智能工程师等专业人士的参考用书。
|
| 內容簡介： |
|
本书基于Python语言和PyTorch框架，阐述深度学习技术与应用，内容包括深度学习基础模型与深度学习应用技术两部分。深度学习基础模型部分（第1～4章），介绍深度学习基础、卷积神经网络、循环神经网络、Transformer；深度学习应用技术部分（第5～8章），介绍计算机视觉技术、时间序列预测技术、自然语言处理技术、多模态技术。本书从基础理论到前沿模型，全方位覆盖深度学习技术，通过可视化技术直观展示深度学习算法及其应用效果，结合作者的科研成果和实际项目案例，提供具体应用实例，增强读者的实践能力，涵盖最新的大模型技术和研究前沿，帮助读者紧跟技术发展潮流。本书适合对深度学习感兴趣的广大学习者和研究者，包括初学者、计算机科学及相关专业的学生、数据科学家、人工智能工程师以及希望在深度学习领域深入探索的专业人士。通过本书，读者可以系统地学习深度学习技术，并能将所学知识有效应用于实际项目中。
|
| 關於作者： |
|
迟殿委，南昌大学计算中心硕士，副教授、高级工程师。有10年企业软件研发经验和丰富的大数据研发及培训经验
|
| 目錄：
|
目录
第1章深度学习基础1
1.1深度学习概述1
1.2神经网络原理2
1.2.1神经网络2
1.2.2激活函数9
1.3优化算法13
1.3.1前向传播与损失函数13
1.3.2反向传播14
1.3.3梯度下降16
1.3.4学习率衰减19
1.3.5模型的训练流程22
1.4过拟合的抑制25
1.4.1过拟合25
1.4.2Dropout27
1.4.3批标准化28
1.4.4权重衰减29
1.4.5早停机制30
第2章卷积神经网络32
2.1卷积神经网络概述32
2.2卷积35
2.2.1卷积操作35
2.2.2尺寸、填充与步长41
2.2.3常见卷积42
2.3池化46
2.3.1平均池化46
2.3.2最大池化47
2.3.3自适应池化48
2.4分类器49
2.4.1全连接分类器49
2.4.2全卷积分类器49
2.5卷积神经网络设计50
2.5.1AlexNet50
2.5.2VGGNet52
2.5.3ResNet55
2.6卷积神经网络的训练与分析58
2.6.1训练流程58
2.6.2可解释性分析62
第3章循环神经网络64
3.1RNN64
3.1.1序列数据64
3.1.2递归特性65
3.2LSTM68
3.2.1记忆69
3.2.2遗忘门70
3.2.3选择记忆门70
3.2.4输出门71
3.2.5LSTM的可视化72
3.3GRU79
3.3.1重置门80
3.3.2更新门81
3.3.3GRU的代码实现82
3.4应用模式83
3.4.1双向RNN83
3.4.2多对一85
3.4.3一对多86
3.4.4多对多87
第4章Transformer88
4.1自注意力机制88
4.1.1自注意力机制88
4.1.2注意力机制中的QKV90
4.1.3多头自注意力机制92
4.1.4掩码多头自注意力机制95
4.2Transformer的基本结构95
4.2.1位置编码95
4.2.2编码器98
4.2.3解码器100
4.2.4交叉自注意力机制的应用104
4.3大模型的定义与应用104
4.3.1大模型的定义104
4.3.2大模型的应用105
4.3.3Hugging Face与大模型106
4.4机器翻译任务中Transformer的训练109
4.4.1数据集的构建109
4.4.2模型的构建112
4.4.3损失计算与优化114
4.4.4自回归预测116
第5章计算机视觉技术117
5.1视觉模型117
5.1.1CNN模型117
5.1.2ViT模型119
5.2分类任务123
5.2.1单标签分类123
5.2.2多标签分类124
5.2.3分类任务的评估指标126
5.2.4类别不均衡问题128
5.3目标检测任务129
5.3.1R CNN模型130
5.3.2YOLO模型137
5.3.3DETR模型146
5.4图像分割任务149
5.4.1语义分割149
5.4.2实例分割152
5.4.3视觉分割大模型SAM155
5.5视觉自监督预训练157
5.5.1迁移学习与有监督预训练158
5.5.2SimCLR算法159
5.5.3MAE算法161
5.6视觉实战探索： 基于辅助训练的车牌识别研究163
5.6.1引言163
5.6.2相关工作164
5.6.3研究方法166
5.6.4实验与讨论167
第6章时间序列预测技术171
6.1时间序列171
6.1.1时间序列的特性171
6.1.2时间序列特征分解173
6.1.3时间序列的降噪178
6.2时间序列预测任务182
6.2.1短期时间序列预测182
6.2.2长期时间序列预测182
6.2.3异常检测184
6.2.4时间序列分类184
6.2.5缺失值填补185
6.3时序模型186
6.3.1循环神经网络模型186
6.3.2时域卷积神经网络模型191
6.3.3Transformer模型194
6.4时间序列预测任务的评估指标201
6.5时间序列预测实战探索： 基于PCA降噪特征选择与LSTM的湖泊溶解
氧含量预测模型研究202
6.5.1引言202
6.5.2基于MIC特征选取方法202
6.5.3湖泊水质溶解氧预测模型构建203
6.5.4实验205
第7章自然语言处理技术207
7.1自然语言处理任务207
7.1.1文本分类207
7.1.2命名实体识别208
7.1.3机器翻译208
7.1.4自然语言生成208
7.2文本数据预处理209
7.2.1分词210
7.2.2去停用词212
7.2.3文本可视化展示214
7.3文本向量化217
7.3.1TF IDF217
7.3.2独热编码219
7.3.3词嵌入221
7.4自然语言处理模型225
7.4.1数据填充225
7.4.2循环神经网络226
7.4.3Transformer227
7.5BERT228
7.5.1模型结构228
7.5.2预训练 微调模式228
7.5.3预训练方式230
7.5.4模型调用231
7.5.5优势与意义232
7.6GPT233
7.6.1模型结构233
7.6.2预训练方式233
7.6.3模型调用234
7.6.4优势与意义236
7.7NLP实战探索： 基于BERT的模型的酒店评论文本情感分析研究237
7.7.1引言237
7.7.2数据集237
7.7.3BERT模型的构建237
7.7.4实验239
第8章多模态技术241
8.1多模态概述241
8.2多模态特征对齐243
8.3多模态输入融合243
8.3.1拼接或相加244
8.3.2自注意力机制248
8.3.3交叉注意力机制251
8.4跨模态输出251
8.4.1Seq2Seq251
8.4.2Transformer Encoder Decoder254
8.5CLIP视觉文本多模态255
8.5.1图像文本特征255
8.5.2损失函数259
8.5.3零样本分类260
8.6多模态常见任务262
8.6.1图文检索262
8.6.2视觉问答263
8.6.3文本 图像生成265
8.6.4多模态目标检测267
8.7多模态技术实战探索： 基于CLIP的文本图像检索实现269
参考文献285
|
| 內容試閱：
|
前言
随着人工智能技术的飞速发展，深度学习技术已成为推动智能化革命的核心力量。深度学习技术通过构建多层次的神经网络模型，模拟人脑处理信息的方式，能自动学习和提取数据中的复杂特征。这种技术在图像识别、序列预测、自然语言处理、多模态分析等领域取得了突破性进展，极大地推动了智能系统的自主学习和决策能力。
本书旨在为广大人工智能深度学习爱好者、工程师和研究人员提供一本既有一定理论深度又有实践指导的参考指南。通过阅读本书，读者将深入理解深度学习的相关算法理论以及深度学习模型设计思路。本书提供微视频、PPT、项目代码等电子资料，可以满足教师开展大数据技术、人工智能等专业相关课程教学活动的需要。
本书分为深度学习基础模型与深度学习应用技术两部分，共8章，内容包括深度学习基础、卷积神经网络、循环神经网络、Transformer、计算机视觉技术、时间序列预测技术、自然语言处理技术和多模态技术。
本书具有以下特色：
（1） 内容由浅入深，涵盖深度学习的基本概念、经典算法以及最新的前沿模型。从深度学习的基础神经网络入手，逐步深入卷积神经网络（CNN）、循环神经网络（RNN）以及Transformer等模型。在深度学习应用技术部分，进一步探讨了SAM、BERT、GPT等大模型技术前沿，紧跟技术发展的步伐。
（2） 本书不仅提供了详尽的理论解释，还通过大量图表和可视化手段，帮助读者直观理解深度学习算法的工作原理和实际应用效果，使得复杂算法和理论的呈现更加直观。
（3） 本书内容是基于作者在深度学习领域的项目研究成果整理而成的。这种将理论研究与实际应用相结合的方式，不仅保证了内容的前沿性和深度，也使得本书具有较高的实用价值。
（4） 本书为从事深度学习研究和应用的工程师提供了宝贵的参考资源，又可作为高等院校计算机、数据科学与大数据技术、智能科学与技术、人工智能等专业的深度学习相关课程教材。
本书由迟殿委、贾泽豪共同编写，吸取了国内外教材的精髓，以及一些相关领域的论文，我们对这些作者的贡献表示由衷的感谢。本书在出版过程中，得到清华大学出版社张玥编辑的大力支持，在此表示诚挚谢意。
由于作者水平有限，书中难免有不妥和疏漏之处，恳请各位专家、同仁和读者批评指正。
2025年5月于烟台
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
