深度學習：核心技術、工具與案例解析

定　價：￥69.00

作　者：	高彥杰，于子葉著
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111603030	出版時間：	2018-07-01	包裝：	平裝
開本：	16開	頁數：	260	字數：

內容簡介

　　本書共10章，可分為3個部分：第1～2章為部分，簡介深度學習算法的發(fā)展歷史和前沿技術簡；第3～4章為第二部分，介紹深度學習主流框架；第5～10章為第三部分，主要為實踐案例部分，結合應用場景使用深度學習技術解決相應問題，譬如語音識別器、聊天機器人、人臉識別器、對戰(zhàn)機器人、推薦引擎構建等。

作者簡介

　　作者簡介高彥杰大數據和人工智能研發(fā)工程師，任職于微軟亞洲研究院。專注AI深度學習平臺及數據處理技術，參與多項AI與數據處理相關項目，對AI底層系統(tǒng)到上層算法應用都有廣泛的興趣與研究。對Hadoop和Spark等大數據技術有非常深入的研究和豐富的實踐經驗，著有暢銷書《Spark：大數據技術，應用與性能優(yōu)化》和《Spark大數據分析實戰(zhàn)》。于子葉算法工程師，就職于華生基因，中科院博士。曾參與電磁異常監(jiān)測與四川地區(qū)災害智能識別系統(tǒng)。專注于圖形、信號相關的機器學習方法。對算法底層原理有深入研究。較早接觸TensorFlow，對深度學習等人工智能技術有非常深入的研究，曾參與多個機器學習項目的研發(fā)。數學基礎深厚，是較少進行基礎理論研究的工作者，對現有自然科學所需算法從原理到實踐均有深入的研究。此外，對高性能計算HPC也有較為系統(tǒng)和深入的認識。

圖書目錄

CONTENTS
目　　錄
前言
第1章　了解深度學習 1
1.1　什么是深度學習 1
1.1.1　深度學習能解決的問題 2
1.1.2　深度學習適用的領域 3
1.2　深度學習的技術發(fā)展 6
1.2.1　基礎技術發(fā)展 7
1.2.2　應用技術發(fā)展 8
1.3　深度學習的知識點匯總 10
1.3.1　深度學習的預備技術 11
1.3.2　深度學習的技術構成 12
1.3.3　深度學習向其他行業(yè)與技術領域的延伸 13
1.4　深度學習工具與平臺介紹 15
1.4.1　深度學習框架 15
1.4.2　深度學習基礎架構 18
1.4.3　深度學習開發(fā)工具 19
1.4.4　深度學習輔助工具 20
1.4.5　深度學習云平臺服務 20
1.5　本章小結 22
1.6　參考資料 23
第2章　深度學習技術 24
2.1　深度學習基礎 24
2.1.1　感知器 26
2.1.2　激活函數 27
2.1.3　輸入層、隱藏層、輸出層 29
2.1.4　前向傳播與反向傳播求導 29
2.2　CNN 30
2.2.1　前饋網絡解決圖像存在的問題 31
2.2.2　卷積神經網絡 31
2.2.3　圖像的幾個不變性 33
2.2.4　卷積 34
2.2.5　池化 38
2.2.6　Inception 39
2.2.7　Flatten層和全連接層 39
2.2.8　跳層連接 40
2.2.9　經典CNN 41
2.3　RNN 41
2.3.1　RNN結構 42
2.3.2　基本結構與前向傳播 43
2.3.3　BPTT 44
2.3.4　LSTM 46
2.3.5　RNN拓展 50
2.4　最優(yōu)化算法 52
2.4.1　梯度下降 52
2.4.2　Adam 54
2.5　本章小結 56
第3章　TensorFlow基礎 57
3.1　TensorFlow 57
3.2　獲取與安裝 60
3.3　變量及作用域 61
3.4　構建計算圖 66
3.5　全連接網絡構建 71
3.6　CNN構建 78
3.7　RNN構建 82
3.8　多架構運行 85
3.8.1　GPU使用 85
3.8.2　多CPU使用 86
3.9　隊列使用 88
3.10　本章小結 89
第4章　TensorFlow進階 90
4.1　TensorFlow架構與原理 90
4.2　TensorFlow擴展 93
4.2.1　TF Layers 94
4.2.2　TF Slim 95
4.2.3　TFLearn 96
4.2.4　Keras 99
4.3　Tensorboard與問題監(jiān)控 101
4.4　改善深度神經網絡 103
4.5　性能優(yōu)化建議 105
4.6　深度神經網絡結構 107
4.6.1　Inception結構 107
4.6.2　ResNet結構 108
4.6.3　Seq2Seq結構 108
4.6.4　Attention 109
4.7　本章小結 110
第5章　語音識別器 111
5.1　任務分析 111
5.2　數據與特征分析 114
5.2.1　語音數據庫 114
5.2.2　語音數據特征 115
5.3　主流語音識別網絡結構 119
5.3.1　用于語音識別的CNN 120
5.3.2　用于語音識別的RNN 122
5.4　CTC Loss 123
5.5　文本向量化 126
5.5.1　英文文本向量化 126
5.5.2　中文文本向量化 129
5.5.3　文本標簽比對 130
5.6　完整構建神經網絡 131
5.6.1　構建CNN識別網絡 132
5.6.2　用于語音識別的RNN 136
5.7　數據訓練 138
5.8　參數調優(yōu) 140
5.9　實際數據分析 141
5.10　本章小結 142
第6章　對話機器人 143
6.1　對話機器人概述與應用領域 143
6.2　對話機器人主流技術 145
6.2.1　基于模板的對話機器人 145
6.2.2　基于檢索技術的對話機器人 146
6.2.3　基于深度學習的對話機器人 146
6.3　對話機器人的前沿與功能擴展 147
6.4　深度學習對話機器人原理 149
6.5　構建對話機器人 150
6.5.1　Bot界面與交互 150
6.5.2　語料預處理 155
6.5.3　模型構建 161
6.5.4　訓練流程 163
6.5.5　在線推斷 165
6.6　本章小結 166
第7章　人臉識別器 167
7.1　任務分析 167
7.2　Detection、Aliment與Identify 170
7.3　數據特征分析 172
7.3.1　人臉位置和范圍數據 173
7.3.2　人臉關鍵點數據 174
7.3.3　人臉識別數據庫 176
7.4　haar分類器方式 178
7.4.1　固定特征的提取 178
7.4.2　分類器 180
7.4.3　代碼實現 182
7.5　神經網絡方法演進 183
7.6　人臉識別網絡構建 185
7.6.1　人臉檢測網絡MTCNN 185
7.6.2　用于人臉檢測的GoogleNet 188
7.7　主流人臉識別網絡差異分析 190
7.8　TensorFlow搭建網絡 191
7.9　參數調優(yōu) 193
7.10　實戰(zhàn)分析 195
7.11　本章小結 197
第8章　自動駕駛 198
8.1　自動駕駛的介紹與應用領域 198
8.1.1　自動駕駛的應用場景 199
8.1.2　自動駕駛分級 199
8.2　自動駕駛技術 201
8.2.1　端到端的自動駕駛歷史 202
8.2.2　底層硬件支撐技術平臺 203
8.3　深度增強學習 204
8.4　行車檢測 208
8.4.1　物體檢測 208
8.4.2　YOLO模型 209
8.4.3　車輛圖像數據探索 211
8.4.4　車輛視頻數據預處理 212
8.4.5　遷移學習 212
8.4.6　模型推斷 213
8.4.7　繪制檢測結果 213
8.5　端到端自動駕駛 216
8.5.1　英偉達End to End模型 216
8.5.2　評估指標 219
8.5.3　數據分析 219
8.5.4　讀入視頻，并處理圖像 222
8.5.5　深度學習模型構建與訓練 222
8.5.6　可視化結果 223
8.6　本章小結 224
8.7　參考資料 224
第9章　可視化實踐 225
9.1　可視化發(fā)展 225
9.2　可視化過程 227
9.3　Matplotlib 228
9.4　ECharts 230
9.