人工智能 类型
可以朗读 语音朗读
109千字 字数
2021-12-01 发行日期
展开全部

主编推荐语

实战深度学习:基于TensorFlow 2.5和Keras的11个实战案例。

内容简介

本书摆脱深度学习的基础技术，以实战为主，通过丰富的实战案例向读者介绍了深度学习可应用和落地的项目，书中所有案例都基于TensorFlow 2.5+Keras技术，可配套用于深度学习课程的实训学习。本书共分11章。第1章讲解深度学习的概念、流程、应用场景、模型分类和框架选择，第2～11章都是深度学习的项目实战案例，包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换。本书内容详尽、案例丰富，是深度学习读者必备的参考书，适合有基础、亟待提升自己技术水平的人工智能从业人员，也可作为高等院校、中职学校和培训机构人工智能及相关专业的教材使用。

目录

  • 封面页
  • 书名页
  • 版权页
  • 内容简介
  • 前言
  • 目录
  • 第1章　深度学习与应用框架
  • 1.1　深度学习的概念
  • 1.1.1　何为深度学习
  • 1.1.2　与传统的“浅层学习”的区别
  • 1.2　案例实战：文本的情感分类
  • 1.2.1　第一步：数据的准备
  • 1.2.2　第二步：数据的处理
  • 1.2.3　第三步：模型的设计
  • 1.2.4　第四步：模型的训练
  • 1.2.5　第五步：模型的结果和展示
  • 1.3　深度学习的流程、应用场景和模型分类
  • 1.3.1　深度学习的流程与应用场景
  • 1.3.2　深度学习的模型分类
  • 1.4　主流深度学习的框架对比
  • 1.4.1　深度学习框架的选择
  • 1.4.2　本书选择：Keras与TensorFlow
  • 1.5　本章小结
  • 第2章　实战卷积神经网络——手写体识别
  • 2.1　卷积神经网络理论基础
  • 2.1.1　卷积运算
  • 2.1.2　TensorFlow中的卷积函数
  • 2.1.3　池化运算
  • 2.1.4　softmax激活函数
  • 2.1.5　卷积神经网络原理
  • 2.2　案例实战：MNIST手写体识别
  • 2.2.1　MNIST数据集的解析
  • 2.2.2　MNIST数据集的特征和标签
  • 2.2.3　TensorFlow 2.X编码实现
  • 2.2.4　使用自定义的卷积层实现MNIST识别
  • 2.3　本章小结
  • 第3章　实战ResNet——CIFAR-100数据集分类
  • 3.1　ResNet理论基础
  • 3.1.1　ResNet诞生的背景
  • 3.1.2　模块工具的TensorFlow实现
  • 3.1.3　TensorFlow高级模块layers
  • 3.2　案例实战：CIFAR-100数据集分类
  • 3.2.1　CIFAR-100数据集的获取
  • 3.2.2　ResNet残差模块的实现
  • 3.2.3　ResNet网络的实现
  • 3.2.4　使用ResNet对CIFAR-100数据集进行分类
  • 3.3　本章小结
  • 第4章　实战循环神经网络GRU——情感分类
  • 4.1　情感分类理论基础
  • 4.1.1　复习简单的情感分类
  • 4.1.2　什么是GRU
  • 4.1.3　TensorFlow中的GRU层
  • 4.1.4　双向GRU
  • 4.2　案例实战：情感分类
  • 4.2.1　使用TensorFlow自带的模型来实现分类
  • 4.2.2　使用自定义的DPCNN来实现分类
  • 4.3　本章小结
  • 第5章　实战图卷积——文本情感分类
  • 5.1　图卷积理论基础
  • 5.1.1　“节点”“邻接矩阵”和“度矩阵”的物理意义
  • 5.1.2　图卷积的理论计算
  • 5.1.3　图卷积神经网络的传播规则
  • 5.2　案例实战：Cora数据集文本分类
  • 5.2.1　Cora数据集简介
  • 5.2.2　Cora数据集的读取与数据处理
  • 5.2.3　图卷积模型的设计与实现
  • 5.2.4　图卷积模型的训练与改进
  • 5.3　案例实战：基于图卷积的情感分类（图卷积前沿内容）
  • 5.3.1　文本结构化处理的思路与实现
  • 5.3.2　使用图卷积对文本进行分类实战
  • 5.3.3　图卷积模型的改进
  • 5.4　本章小结
  • 第6章　实战自然语言处理——编码器
  • 6.1　编码器理论基础
  • 6.1.1　输入层——初始词向量层和位置编码器层
  • 6.1.2　自注意力层
  • 6.1.3　ticks和LayerNormalization
  • 6.1.4　多头自注意力
  • 6.2　案例实战：简单的编码器
  • 6.2.1　前馈层的实现
  • 6.2.2　编码器的实现
  • 6.3　案例实战：汉字拼音转化模型
  • 6.3.1　汉字拼音数据集处理
  • 6.3.2　汉字拼音转化模型的确定
  • 6.3.3　模型训练部分的编写
  • 6.3.4　推断函数的编写
  • 6.4　本章小结
  • 第7章　实战BERT——中文文本分类
  • 7.1　BERT理论基础
  • 7.1.1　BERT基本架构与应用
  • 7.1.2　BERT预训练任务与Fine-Tuning
  • 7.2　案例实战：中文文本分类
  • 7.2.1　使用Hugging Face获取BERT预训练模型
  • 7.2.2　BERT实战文本分类
  • 7.3　拓展：更多的预训练模型
  • 7.4　本章小结
  • 第8章　实战自然语言处理——多标签文本分类
  • 8.1　多标签分类理论基础
  • 8.1.1　多标签分类不等于多分类
  • 8.1.2　多标签分类的激活函数——sigmoid
  • 8.2　案例实战：多标签文本分类
  • 8.2.1　第一步：数据的获取与处理
  • 8.2.2　第二步：选择特征抽取模型
  • 8.2.3　第三步：训练模型的建立
  • 8.2.4　第四步：多标签文本分类的训练与预测
  • 8.3　本章小结
  • 第9章　实战MTCNN—人脸检测
  • 9.1　人脸检测基础
  • 9.1.1　LFW数据集简介
  • 9.1.2　Dlib库简介
  • 9.1.3　OpenCV简介
  • 9.1.4　使用Dlib做出图像中的人脸检测
  • 9.1.5　使用Dlib和OpenCV建立人脸检测数据集
  • 9.2　案例实战：基于MTCNN模型的人脸检测
  • 9.2.1　MTCNN模型简介
  • 9.2.2　MTCNN模型的使用
  • 9.2.3　MTCNN模型中的一些细节
  • 9.3　本章小结
  • 第10章　实战SiameseModel—人脸识别
  • 10.1　基于深度学习的人脸识别模型
  • 10.1.1　人脸识别的基本模型SiameseModel
  • 10.1.2　SiameseModel的实现
  • 10.1.3　人脸识别数据集的准备
  • 10.2　案例实战：基于相似度计算的人脸识别模型
  • 10.2.1　一种新的损失函数Triplet Loss
  • 10.2.2　基于TripletSemiHardLoss的MNIST模型
  • 10.2.3　基于TripletSemiHardLoss和SENET的人脸识别模型
  • 10.3　本章小结
  • 第11章　实战MFCC和CTC——语音转换
  • 11.1　MFCC理论基础
  • 11.1.1　MFCC
  • 11.1.2　CTC
  • 11.2　案例实战：语音汉字转换
  • 11.2.1　第一步：数据集THCHS-30简介
  • 11.2.2　第二步：数据集的提取与转化
  • 11.3　本章小结
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

清华大学出版社

清华大学出版社成立于1980年6月，是由教育部主管、清华大学主办的综合出版单位。植根于“清华”这座久负盛名的高等学府，秉承清华人“自强不息，厚德载物”的人文精神，清华大学出版社在短短二十多年的时间里，迅速成长起来。清华大学出版社始终坚持弘扬科技文化产业、服务科教兴国战略的出版方向，把出版高等学校教学用书和科技图书作为主要任务，并为促进学术交流、繁荣出版事业设立了多项出版基金，逐渐形成了以出版高水平的教材和学术专著为主的鲜明特色，在教育出版领域树立了强势品牌。