logo
分类于: 计算机基础 人工智能

简介

深度卷积网络:原理与实践: Deep Convolutional Neural Network Principle Practice

深度卷积网络:原理与实践: Deep Convolutional Neural Network Principle Practice 0.0分

资源最后更新于 2020-07-03 00:20:46

作者:彭博

出版社:出版社机械工业出版社

出版日期:2018-03

ISBN:9787111596653

文件格式: pdf

标签: 编程语言 程序设计 计算机与互联网 网络管理 网络与通讯 智能系统与技术丛书 卷积网络

简介· · · · · ·

本书正文内容可分3部分,共9章:综述篇(第1,6,9章)。这三章不需要编程和数学基础,如果读者尚不熟悉技术,推荐优先阅读,尤其是第1和第9章。它们分别介绍:深度学习的基本概念,AlphaGo的架构综述,深度学习的问题和未来展望。深度卷积网络篇(第2,3,4,5章)。这四章结合理论与实际代码,由浅入深,从神经网络,到卷积网络,到深度卷积网络,让读者掌握深度卷积网络的基础知识、实践技巧和新发展,是本书的关键所在,值得仔细阅读。实战篇(第7,8章)。这两章分别讲述AlphaGo和GAN的训练和应用细节,包括详细的代码分析。彭博人工智能、量化交易、区块链领域的技术专家,有20年以上的研发经验。在人工智能与信息科技方面,对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究;在量化交易方面,曾在全球大的外汇对冲基金负责程序化交易,对市场的微观和宏观行为有较为深入的理解;在区块链方面,对智能合约、DApp开发和自动交易有较为深入的实践。知乎上科技领域的大V,在专栏撰有大量技术文章。

想要: 点击会收藏到你的 我的收藏,可以在这里查看

已收: 表示已经收藏

Tips: 注册一个用户 可以通过用户中心得到电子书更新的通知哦

目录

  1. 前言
  2. 引子·神之一手
  3. 第1章 走进深度学习的世界
  4. 1.1 从人工智能到深度学习
  5. 1.2 深度神经网络的威力:以AlphaGo为例
  6. 1.3 深度神经网络的应用大观
  7. 1.4 亲自体验深度神经网络
  8. 1.5 深度神经网络的基本特点
  9. 1.6 人工智能与神经网络的历史
  10. 第2章 深度卷积网络:第一课
  11. 2.1 神经元:运作和训练
  12. 2.2 深度学习框架MXNet:安装和使用
  13. 2.3 神经网络:运作和训练
  14. 第3章 深度卷积网络:第二课
  15. 3.1 重要理论知识
  16. 3.2 神经网络的正则化
  17. 3.3 神经网络的调参
  18. 3.4 实例:MNIST问题
  19. 3.5 网络训练的常见bug和检查方法
  20. 3.6 网络训练性能的提高
  21. 第4章 深度卷积网络:第三课
  22. 4.1 卷积网络:从实例说明
  23. 4.2 运作:AlphaGo眼中的棋盘
  24. 4.3 卷积神经网络:进一步了解
  25. 4.4 实例:用卷积网络解决MNIST问题
  26. 4.5 MXNet的使用技巧
  27. 第5章 深度卷积网络:第四课
  28. 5.1 经典的深度卷积网络架构
  29. 5.2 网络的可视化:以AlexNet为例
  30. 5.3 迁移学习:精调、预训练等
  31. 5.4 架构技巧:基本技巧
  32. 5.5 架构技巧:残差网络与通道组合
  33. 5.6 架构技巧:更多进展
  34. 5.7 物体检测与图像分割
  35. 5.8 风格转移
  36. 第6章 AlphaGo架构综述
  37. 6.1 从AlphaGo到AlphaZero
  38. 6.2 AlphaGo的对弈过程
  39. 6.3 AlphaGo中的深度卷积网络架构
  40. 6.4 AlphaGo的训练过程
  41. 6.5 AlphaGo方法的推广
  42. 第7章 训练策略网络与实战
  43. 7.1 训练前的准备工作
  44. 7.2 训练代码
  45. 7.3 对弈实战
  46. 第8章 生成式对抗网络:GAN
  47. 8.1 GAN的起源故事
  48. 8.2 GAN的基本原理
  49. 8.3 实例:DCGAN及训练过程
  50. 8.4 GAN的更多架构和应用
  51. 8.5 更多的生成模型方法
  52. 第9章 通向智能之秘
  53. 9.1 计算机视觉的难度
  54. 9.2 对抗样本,与深度网络的特点
  55. 9.3 人工智能的挑战与机遇
  56. 9.4 深度学习的理论发展
  57. 9.5 深度学习与人工智能的展望
  58. 跋 人工智能与我们的未来
  59. 附录 深度学习与AI的网络资源