深度學習：從算法本質(zhì)、系統(tǒng)工程到產(chǎn)業(yè)實踐

定　價：￥89.00

作　者：	王書浩、徐罡
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥84.60)

ISBN：	9787302657491	出版時間：	2024-04-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　本書介紹了深度學習的基本理論、工程實踐及其在產(chǎn)業(yè)界的部署和應(yīng)用。在深度學習框架的介紹中，書中結(jié)合代碼詳細講解了經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和基于自注意力機制的Transformer網(wǎng)絡(luò)及其變體。還介紹了這些模型在圖像分類、目標檢測、語義分割、欺詐檢測和語音識別等領(lǐng)域的應(yīng)用。此外，書中還涵蓋了深度強化學習和生成對抗網(wǎng)絡(luò)的前沿進展。在系統(tǒng)工程和產(chǎn)業(yè)實踐方面，書中解釋了如何使用分布式系統(tǒng)訓(xùn)練和部署模型以處理大規(guī)模數(shù)據(jù)。本書系統(tǒng)介紹了構(gòu)建深度學習推理系統(tǒng)的過程，并結(jié)合代碼講解了分布式深度學習推理系統(tǒng)需要考慮的工程化因素，例如分布式問題和消息隊列，以及從工程化角度出發(fā)的解決方法。本書提供了每個經(jīng)典模型和應(yīng)用實例的TensorFlow和PyTorch版本代碼，為深度學習初學者和算法開發(fā)者提供理論學習、代碼實踐和工程落地的指導(dǎo)與幫助。本書既適合計算機、自動化、電子、通信、數(shù)學、物理等相關(guān)專業(yè)背景的研究生和高年級本科生，也適合那些希望從事或準備轉(zhuǎn)向人工智能領(lǐng)域的專業(yè)技術(shù)人員。

作者簡介

　　王書浩，清華大學博士，清華大學交叉信息研究院博士后，現(xiàn)為透徹未來聯(lián)合創(chuàng)始人與首席技術(shù)官，曾先后于百度、異構(gòu)智能（NovuMind）、京東從事數(shù)據(jù)科學與人工智能研究，擁有國家發(fā)明專利20余項，并于Nature Communications、Modern Pathology、ICCV等頂級期刊/會議發(fā)表十余篇學術(shù)論文。曾獲得2019年烏鎮(zhèn)互聯(lián)網(wǎng)峰會“30位新生代數(shù)字經(jīng)濟人才”精英獎、Year 2022 Fall Asia-Pacific Signal and Information Processing Association Industrial Distinguished Leaders、阿里云“看見新力量”2022年度人物。徐罡，清華大學博士，現(xiàn)任復(fù)旦大學復(fù)雜體系多尺度研究院青年副研究員，以第一作者身份在ICCV、Briefings in Bioinformatics、Bioinformatics、Journal of Chemical Theory and Computation與Journal of Chemical Information and Modeling等知名期刊/會議中發(fā)表多篇文章。主要研究方向為人工智能在醫(yī)療圖像及計算生物學領(lǐng)域中的應(yīng)用，提出了弱監(jiān)督框架CAMEL，并使用深度學習框架TensorFlow建立了蛋白質(zhì)折疊和對接框架，為人工智能和傳統(tǒng)計算生物學領(lǐng)域的結(jié)合提供了橋梁。

圖書目錄

本書源代碼
第
1
章神經(jīng)網(wǎng)絡(luò)深入
1
11 打開深度學習之門
1
12 從優(yōu)化問題講起
6
121 牛頓與開普勒的對話
6
122 擬合與分類的數(shù)學模型
6
123 通過訓(xùn)練數(shù)據(jù)優(yōu)化模型參數(shù)
8
124 優(yōu)化方法 13
13 深度神經(jīng)網(wǎng)絡(luò) 16
131 誰來做特征提取 16
132 人工神經(jīng)元與激活函數(shù) 17
133 神經(jīng)網(wǎng)絡(luò)及其數(shù)學本質(zhì) 21
14 正則化方法 29
141 欠擬合與過擬合 29
142 正則化方法 31
143 一些訓(xùn)練技巧 35
15 模型評價 36
151 評價指標的重要性 36
152 混淆矩陣 36
153 典型評價指標 38
16 深度學習能力的邊界 39
161 深度學習各領(lǐng)域的發(fā)展階段 39
162 不適用現(xiàn)有深度學習技術(shù)的任務(wù) 39
163 深度學習的未來 40
本章習題 41
第
2
章卷積神經(jīng)網(wǎng)絡(luò)——圖像分類與目標檢測 42
21 卷積的基本概念 42

VIII
211 卷積的定義 42
212 卷積的本質(zhì) 43
213 卷積的重要參數(shù) 43
214 池化層 45
22 卷積神經(jīng)網(wǎng)絡(luò) 46
221 典型的卷積神經(jīng)網(wǎng)絡(luò) 47
222 LeNet 50
223 AlexNet 53
224 VGGNet 57
225 ResNet 63
226 能力對比 75
23 目標檢測 76
231 R-CNN 76
232 Fast R-CNN 78
233 Faster R-CNN 79
234 YOLO 79
本章習題 81
第
3
章卷積神經(jīng)網(wǎng)絡(luò)——語義分割 82
31 語義分割基礎(chǔ) 82
311 語義分割的應(yīng)用領(lǐng)域 82
312 全卷積神經(jīng)網(wǎng)絡(luò) 83
313 反卷積與空洞卷積 83
314 U-Net 85
315 DeepLab v1 和v2 90
316 DeepLab v3 95
317 兩種架構(gòu)的融合——DeepLab v3 101
32 模型可視化 108
321 卷積核可視化 109
322 特征圖可視化 109
323 表征向量可視化 109
324 遮蓋分析與顯著梯度分析 109
33 病理影像分割初探 110
331 病理——醫(yī)學診斷的“金標準” 110
332 病理人工智能的挑戰(zhàn) 111
333 真實模型訓(xùn)練流程112

IX
34 自監(jiān)督學習 117
341 方法概述 117
342 自監(jiān)督學習算法介紹 118
35 模型訓(xùn)練流程 123
351 成本函數(shù) 123
352 自動調(diào)節(jié)學習速率 123
353 模型保存與加載 123
本章習題 124
第
4
章高級循環(huán)神經(jīng)網(wǎng)絡(luò) 125
41 自然語言處理基礎(chǔ) 125
411 時間維度的重要性 125
412 自然語言處理 125
413 詞袋法 126
414 詞嵌入 127
42 循環(huán)神經(jīng)網(wǎng)絡(luò) 128
421 時序數(shù)據(jù)建模的模式 128
422 循環(huán)神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu) 128
423 LSTM 131
424 GRU 134
43 基于會話的欺詐檢測 137
431 欺詐的模式 137
432 技術(shù)挑戰(zhàn) 138
433 數(shù)據(jù)預(yù)處理 138
434 實踐循環(huán)神經(jīng)網(wǎng)絡(luò) 140
44 語音識別與語音評測 148
441 特征提取 148
442 模型結(jié)構(gòu) 149
443 CTC 損失函數(shù) 151
本章習題 152
第
5
章分布式深度學習系統(tǒng) 153
51 分布式系統(tǒng) 153
511 挑戰(zhàn)與應(yīng)對 153
512 主從架構(gòu) 154
513 Hadoop 與Spark 154

X
52 分布式深度學習系統(tǒng) 157
521 CPU 與GPU 157
522 分布式深度學習 160
523 通信——對參數(shù)進行同步 164
53 微服務(wù)架構(gòu) 165
531 微服務(wù)的基本概念 166
532 消息隊列 167
54 分布式推理系統(tǒng) 167
541 深度學習推理框架 167
542 推理系統(tǒng)架構(gòu) 169
本章習題 171
第
6
章深度學習前沿 173
61 深度強化學習 173
611 強化學習概述 173
612 深度強化學習概述 174
613 任天堂游戲的深度強化學習 175
62 AlphaGo 176
621 為什么圍棋這么困難 176
622 AlphaGo 系統(tǒng)架構(gòu) 177
623 AlphaGo Zero 181
63 生成對抗網(wǎng)絡(luò) 182
631 生成對抗網(wǎng)絡(luò)概述 182
632 典型的生成對抗網(wǎng)絡(luò) 182
64 未來在哪里 207
本章習題 210
第
7
章專題講座 211
71 DenseNet 211
72 Inception 216
73 Xception 230
74 ResNeXt 236
75 Transformer 240
本章習題 242
第
8
章Transformer
和它的朋友們 243
81 注意力模型 243

XI
811 看圖說話 243
812 語言翻譯 245
813 幾種不同的注意力機制 246
82 Transformer 250
821 自注意力機制和Transformer 250
822 Transformer 在視覺領(lǐng)域的應(yīng)用 278
本章習題 293
第
9
章核心實戰(zhàn) 294
91 圖像分類 295
911 ImageNet 數(shù)據(jù)集概述 295
912 ImageNet 數(shù)據(jù)探索與預(yù)處理 295
913 模型訓(xùn)練 299
914 模型測試 304
915 模型評價 307
916 貓狗大戰(zhàn)數(shù)據(jù)集 309
917 模型導(dǎo)出 310
92 語義分割 311
921 數(shù)字病理切片介紹311
922 數(shù)字病理切片預(yù)處理 314
923 樣本均衡性處理 317
924 模型訓(xùn)練 319
925 模型測試 324
926 模型導(dǎo)出 331
本章習題 332
第10
章深度學習推理系統(tǒng) 333
101 整體架構(gòu) 333
102 調(diào)度器模塊 334
103 工作節(jié)點模塊 340
104 日志模塊 347
本章習題 349
參考文獻 350
擴展資源二維碼 351