Python 深度学习实战 : 75 个有关神经网络建模、强化学习与迁移学习的解决方案
英德 拉·丹·巴克,Indra den Bakker,程国建,周冠武Adobe PDF Library 10.0.1
作者简介 2
前折页 2
书名页 3
版权页 4
译者序 5
原书前言 6
目录 11
第1章 编程环境、GPU计算、云解决方案和深度学习框架 13
1.1 简介 13
1.2 搭建一个深度学习环境 14
1.3 在AWS上启动实例 14
1.4 在GCP上启动实例 15
1.5 安装CUDA和cuDNN 16
1.6 安装Anaconda和库文件 18
1.7 连接服务器上的Jupyter Notebooks 19
1.8 用TensorFlow构建最先进的即用模型 20
1.9 直观地用Keras建立网络 22
1.10 使用PyTorch的RNN动态计算图 24
1.11 用CNTK实现高性能模型 26
1.12 使用MXNet构建高效的模型 27
1.13 使用简单、高效的Gluon编码定义网络 29
第2章 前馈神经网络 31
2.1 简介 31
2.2 理解感知器 31
2.3 实现一个单层神经网络 35
2.4 构建一个多层神经网络 39
2.5 开始使用激活函数 42
2.6 关于隐层和隐层神经元的实验 47
2.7 实现一个自动编码器 50
2.8 调整损失函数 53
2.9 测试不同的优化器 56
2.10 使用正则化技术提高泛化能力 59
2.11 添加Dropout以防止过拟合 63
第3章 卷积神经网络 68
3.1 简介 68
3.2 开始使用滤波器和参数共享 68
3.3 应用层合并技术 72
3.4 使用批量标准化进行优化 74
3.5 理解填充和步长 78
3.6 试验不同类型的初始化 84
3.7 实现卷积自动编码器 88
3.8 将一维CNN应用于文本 91
第4章 递归神经网络 93
4.1 简介 93
4.2 实现一个简单的RNN 94
4.3 添加LSTM 96
4.4 使用GRU 98
4.5 实现双向RNN 101
4.6 字符级文本生成 103
第5章 强化学习 107
5.1 简介 107
5.2 实现策略梯度 107
5.3 实现深度Q学习算法 114
第6章 生成对抗网络 121
6.1 简介 121
6.2 了解GAN 121
6.3 实现DCGAN 124
6.4 使用SRGAN来提高图像分辨率 129
第7章 计算机视觉 137
7.1 简介 137
7.2 利用计算机视觉技术增广图像 137
7.3 图像中的目标分类 142
7.4 目标在图像中的本地化 146
7.5 实时检测框架 151
7.6 用U-net将图像分类 151
7.7 语义分割与场景理解 155
7.8 寻找人脸面部关键点 159
7.9 人脸识别 163
7.10 将样式转换为图像 169
第8章 自然语言处理 174
8.1 简介 174
8.2 情绪分析 174
8.3 句子翻译 177
8.4 文本摘要 181
第9章 语音识别和视频分析 186
9.1 简介 186
9.2 从零开始实现语音识别流程 186
9.3 使用语音识别技术辨别讲话人 189
9.4 使用深度学习理解视频 193
第10章 时间序列和结构化数据 197
10.1 简介 197
10.2 使用神经网络预测股票价格 197
10.3 预测共享单车需求 201
10.4 使用浅层神经网络进行二元分类 204
第11章 游戏智能体和机器人 206
11.1 简介 206
11.2 通过端到端学习来驾驶汽车 206
11.3 通过深度强化学习来玩游戏 211
11.4 用GA优化超参数 217
第12章 超参数选择、调优和神经网络学习 223
12.1 简介 223
12.2 用TensorBoard和Keras可视化训练过程 223
12.3 使用批量和小批量工作 227
12.4 使用网格搜索调整参数 231
12.5 学习率和学习率调度 233
12.6 比较优化器 236
12.7 确定网络的深度 239
12.8 添加Dropout以防止过拟合 239
12.9 通过数据增广使模型更加鲁棒 244
12.10 利用TTA来提高精度 246
第13章 网络内部构造 247
13.1 简介 247
13.2 用TensorBoard可视化训练过程 247
13.3 用TensorBoard可视化网络结构 251
13.4 分析网络权重等 251
13.5 冻结层 256
13.6 存储网络结构并训练权重 258
第14章 预训练模型 262
14.1 简介 262
14.2 使用GoogLeNet/Inception进行大规模视觉识别 262
14.3 用ResNet提取瓶颈特征 264
14.4 对新类别使用预训练的VGG模型 265
14.5 用Xception细调 268
后折页 271
🐢 Descargas lentas
Las descargas gratuitas ilimitadas son accesibles a través de nuestra lista de espera, un sistema diseñado para dar a todos un acceso justo.
🚀 Descargas rápidas
🚀 Descargas rápidas Conviértete en miembro para apoyar la preservación a largo plazo de libros, artículos y más. Para mostrar nuestra gratitud por tu apoyo obtienes descargas rápidas. ❤️
-
Necesitará un lector de ebooks o PDF para abrir el archivo, dependiendo del formato del archivo.
Lectores de ebooks recomendados: ReadEra y Calibre -
Utilice herramientas en línea para convertir entre formatos.
Herramientas de conversión recomendadas: CloudConvert -
Puede enviar archivos PDF y EPUB a su Kindle o Kobo eReader.
Herramientas recomendadas: “Enviar a Kindle” de Amazon y “Enviar a Kobo/Kindle” de djazz
深度学习 /Shen du xue xi
伊恩·古德费洛 (Ian Goodfellow), 约书亚·本吉奥 (Yoshua Bengio), 亚伦·库维尔 (Aaron Courville)
《深度学习》由全球知名的三位专家Ian Goodfellow、Yoshua Bengio 和Aaron Courville撰写,是深度学习领域奠基性的经典教材。全书的内容包括3个部分:第1部分介绍基本的数学工具和机器学习的概念,它们是深度学习的预备知识;第2部分系统深入地讲解现今已成熟的深度学习方法和技术;第3部分讨论某些具有前瞻性的方向和想法,它们被公认为是深度学习未来的研究重点。《深度学习》适合各类读者阅读,包括相关专业的大学生或研究生,以及不具有机器学习或统计背景、但是想要快速补充深度学习知识,以便在实际产品或平台中应用的软件工程师。
机器学习实战 = Machine Learning in Action
[美]peter Harrington 李锐，李鹏，曲亚东，等
机器学习是人工智能研究领域中一个极其重要的研究方向,在现今的大数据时代背景下,捕获数据并从中萃取有价值的信息或模式,成为各行业求生存、谋发展的决定性手段,这使得这一过去为分析师和数学家所专属的研究领域越来越为人们所瞩目。 本书第一部分主要介绍机器学习基础,以及如何利用算法进行分类,并逐步介绍了多种经典的监督学习算法,如k近邻算法、朴素贝叶斯算法、Logistic回归算法、支持向量机、AdaBoost集成方法、基于树的回归算法和分类回归树(CART)算法等。第三部分则重点介绍无监督学习及其一些主要算法:k均值聚类算法、Apriori算法、FP-Growth算法。第四部分介绍了机器学习算法的一些附属工具。 全书通过精心编排的实例,切入日常工作任务,摒弃学术化语言,利用高效的可复用Python代码来阐释如何处理统计数据,进行数据分析及可视化。通过各种实例,读者可从中学会机器学习的核心算法,并能将其运用于一些策略性任务中,如分类、预测、推荐。另外,还可用它们来实现一些更高级的功能,如汇总和简化等。
动手学深度学习 = Dive into deep learning
阿斯顿·张(Aston Zhang), 李沐(Mu Li), [美] 扎卡里·c. 立顿(Zachary C. Lipton), [德] 亚历山大·j. 斯莫拉(Alexander J. Smola)
本书旨在向读者交付有关深度学习的交互式学习体验。书中不仅阐述深度学习的算法原理,还演示它们的实现和运行。与传统图书不同,本书的每一节都是一个可以下载并运行的 Jupyter记事本,它将文字、公式、图像、代码和运行结果结合在了一起。此外,读者还可以访问并参与书中内容的讨论。全书的内容分为3个部分:第一部分介绍深度学习的背景,提供预备知识,并包括深度学习最基础的概念和技术;第二部分描述深度学习计算的重要组成部分,还解释近年来令深度学习在多个领域大获成功的卷积神经网络和循环神经网络;第三部分评价优化算法,检验影响深度学习计算性能的重要因素,并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。本书同时覆盖深度学习的方法和实践,主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程或附录中描述的线性代数、微分和概率基础。
Python 深度学习 = Deep learning with Python
本书由 Keras 之父、现任 Google 人工智能研究员的弗朗索瓦 • 肖莱(François Chollet)执笔,详尽介 绍了用 Python 和 Keras 进行深度学习的探索实践,涉及计算机视觉、自然语言处理、生成式模型等应用。 书中包含 30 多个代码示例,步骤讲解详细透彻。由于本书立足于人工智能的可达性和大众化,读者无须 具备机器学习相关背景知识即可展开阅读。在学习完本书后,读者将具备搭建自己的深度学习环境、建立 图像识别模型、生成图像和文字等能力。本书适合从事大数据及机器学习领域工作,并对深度学习感兴趣的各类读者。
深度学习入门 : 基于Python的理论与实现 = Deep learning from Scratch Shen du xue xi ru men : Ji yu Python de li lun yu shi xian = Deep learning from Scratch
本书是深度学习真正意义上的入门书,深入浅出地剖析了深度学习的原理和相关技术。书中使用Python3,尽量不依赖外部库或工具,从基本的数学知识出发,带领读者从零创建一个经典的深度学习网络,使读者在此过程中逐步理解深度学习。书中不仅介绍了深度学习和神经网络的概念、特征等基础知识,对误差反向传播法、卷积神经网络等也有深入讲解,此外还介绍了深度学习相关的实用技巧,自动驾驶、图像生成、强化学习等方面的应用,以及为什么加深层可以提高识别精度等“为什么”的问题。
神经网络与深度学习
序 前言 常用符号表 目录 第一部分 机器学习基础 第1章 绪论 1.1 人工智能 1.1.1 人工智能的发展历史 1.1.2 人工智能的流派 1.2 机器学习 1.3 表示学习 1.3.1 局部表示和分布式表示 1.3.2 表示学习 1.4 深度学习 1.4.1 端到端学习 1.5 神经网络 1.5.1 人脑神经网络 1.5.2 人工神经网络 1.5.3 神经网络的发展历史 1.6 本书的知识体系 1.7 常用的深度学习框架 1.8 总结和深入阅读 第2章 机器学习概述 2.1 基本概念 2.2 机器学习的三个基本要素 2.2.1 模型 2.2.2 学习准则 2.2.3 优化算法 2.3 机器学习的简单示例:线性回归 2.3.1 参数学习 2.4 偏差-方差分解 2.5 机器学习算法的类型 2.6 数据的特征表示 2.6.1 传统的特征学习 2.6.2 深度学习方法 2.7 评价指标 2.8 理论和定理 2.8.1 PAC学习理论 2.8.2 没有免费午餐定理 2.8.3 丑小鸭定理 2.8.4 奥卡姆剃刀原理 2.8.5 归纳偏置 2.9 总结和深入阅读 第3章 线性模型 3.1 线性判别函数和决策边界 3.1.1 二分类 3.1.2 多分类 3.2 Logistic回归 3.2.1 参数学习 3.3 Softmax回归 3.3.1 参数学习 3.4 感知器 3.4.1 参数学习 3.4.2 感知器的收敛性 3.4.3 参数平均感知器 3.4.4 扩展到多分类 3.5 支持向量机 3.5.1 参数学习 3.5.2 核函数 3.5.3 软间隔 3.6 损失函数对比 3.7 总结和深入阅读 第二部分 基础模型 第4章 前馈神经网络 4.1 神经元 4.1.1 Sigmoid型函数 4.1.2 ReLU函数 4.1.3 Swish函数 4.1.4 高斯误差线性单元 4.1.5 Maxout单元 4.2 网络结构 4.2.1 前馈网络 4.2.2 记忆网络 4.2.3 图网络 4.3 前馈神经网络 4.3.1 通用近似定理 4.3.2 应用到机器学习 4.3.3 参数学习 4.4 反向传播算法 4.5 自动梯度计算 4.5.1 数值微分 4.5.2 符号微分 4.5.3 自动微分 4.6 优化问题 4.6.1 非凸优化问题 4.6.2 梯度消失问题 4.7 总结和深入阅读 第5章 卷积神经网络 5.1 卷积 5.1.1 互相关 5.1.2 卷积的变种 5.1.3 卷积的数学性质 5.2 卷积神经网络 5.2.1 用卷积来代替全连接 5.2.2 卷积层 5.2.3 汇聚层 5.2.4 典型的卷积网络结构 5.3 参数学习 5.3.1 误差项的计算 5.4 几种典型的卷积神经网络 5.4.1 LeNet-5 5.4.2 AlexNet 5.4.3 Inception网络 5.4.4 残差网络 5.5 其他卷积方式 5.5.1 转置卷积 5.5.2 空洞卷积 5.6 总结和深入阅读 第6章 循环神经网络 6.1 给网络增加记忆能力 6.1.1 延时神经网络 6.1.2 有外部输入的非线性自回归模型 6.1.3 循环神经网络 6.2 简单循环网络 6.2.1 循环神经网络的计算能力 6.3 应用到机器学习 6.3.1 序列到类别模式 6.3.2 同步的序列到序列模式 6.3.3 异步的序列到序列模式 6.4 参数学习 6.4.1 随时间反向传播算法 6.4.2 实时循环学习算法 6.5 长程依赖问题 6.5.1 改进方案 6.6...
利用Python进行数据分析 原书第2版
本书由Python pandas项目创始人Wes McKinney亲笔撰写,详细介绍利用Python进行操作、处理、清洗和规整数据等方面的具体细节和基本要点。第2版针对Python 3.6进行全面修订和更新,涵盖新版的pandas、NumPy、IPython和Jupyter,并增加大量实际案例,可以帮助你高效解决一系列数据分析问题。 第2版中的主要更新包括: • 所有的代码,包括把Python的教程更新到了Python 3.6版本(第1版中使用的是Python 2.7) • 更新了Python第三方发布版Anaconda和其他所需Python包的安装指引 • 更新pandas库到2017年的新版 • 新增一章,关于更多高级pandas工具和一些使用提示 • 新增statsmodels和scikit-learn的简明使用介绍
神经网络与深度学习
Machine Learning Has Become A Key Enabling Technology For Many Engineering Applications, Investigating Scientific Questions And Theoretical Problems Alike. To Stimulate Discussions And To Disseminate New Results, A Summer School Series Was Started In February 2002, The Documentation Of Which Is Published As Lnai 2600. This Book Presents Revised Lectures Of Two Subsequent Summer Schools Held In 2003 In Canberra, Australia, And In Tübingen, Germany. The Tutorial Lectures Included Are Devoted To Statistical Learning Theory, Unsupervised Learning, Bayesian Inference, And Applications In Pattern Recognition; They Provide In-depth Overviews Of Exciting New Developments And Contain A Large Number Of References. Graduate Students, Lecturers, Researchers And Professionals Alike Will Find This Book A Useful Resource In Learning And Teaching Machine Learning.
深入理解机器学习:从原理到算法: 从原理到算法
Shai Shalev Shwartz; Shai Ben David
书签已装载, 书签制作方法请找 [email protected] 完全免费 本书涵盖了机器学习领域中的严谨理论和实用方法,讨论了学习的计算复杂度、凸性和稳定性、PAC-贝叶斯方法、压缩界等概念,并介绍了一些重要的算法范式,包括随机梯度下降、神经元网络以及结构化输出。 全书讲解全面透彻,适合有一定基础的高年级本科生和研究生学习,也适合作为IT行业从事数据分析和挖掘的专业人员以及研究人员参考阅读。
深度学习的数学 successbooks 9787115509345
本书介绍了深度学习相关的数学知识.第1章介绍神经网络的概况;第2章介绍理解神经网络所需的数学基础知识;第3章介绍神经网络的最优化;第4章介绍神经网络和误差反向传播法;第5章介绍深度学习和卷积神经网络.
图解深度学习
本书从深度学习的发展历程讲起,以丰富的图例从理论和实践两个层面介绍了深度学习的各种方法,以及深度学习在图像识别等领域的应用案例。内容涉及神经网络 卷积神经网络、受限玻尔兹曼机、自编码器、泛化能力的提高等。此外,还介绍了包括TheanoPylearn2 CaffeDIGITSChainerensorflow在内的深度学习工具的安装和使用方法。本书图例丰富清晰直观,适合所有对深度学习感兴趣的读者阅读。
Python深度学习 : 基于PyTorch = Deep learning with Python and PyTorch
这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实... 这是一本基于最新的Python和PyTorch版本的深度学习著作,旨在帮助读者低门槛进入深度学习领域,轻松速掌握深度学习的理论知识和实践方法,快速实现从入门到进阶的转变。 本书是多位人工智能技术专家和大数据技术专家多年工作经验的结晶,从工具使用、技术原理、算法设计、案例实现等多个维度对深度学习进行了系统的讲解。内容选择上,广泛涉猎、重点突出、注重实战;内容安排上,实例切入、由浅入深、循序渐进;表达形式上,深度抽象、化繁为简、用图说话。 本书共16章,分为三部分: 第一部分(第1~4章) PyTorch基础 首先讲解了机器学习和数据科学中必然会用到的工具Numpy的使用,然后从多个角度讲解了Pytorch的必备基础知识,最后详细讲解了Pytorch的神经网络工具箱和数据处理工具箱。 第二部分(第5~8章) 深度学习基础 这部分从技术原理、算法设计、实践技巧等维度讲解了机器学习和深度学习的经典理理论、算法以及提升深度学习模型性能的多种技巧,涵盖视觉处理、NLP和生成式深度学习等主题。 第三部分(第9~16章) 深度学习实践 这部分从工程实践的角度讲解了深度学习的工程方法和在一些热门领域的实践方案,具体包括人脸识别、图像修复、图像增强、风格迁移、中英文互译、生成式对抗网络、对抗攻击、强化学习、深度强化学习等内容。
深入浅出强化学习 : 原理入门
《深入浅出强化学习:原理入门》用通俗易懂的语言深入浅出地介绍了强化学习的基本原理,覆盖了传统的强化学习基本方法和当前炙手可热的深度强化学习方法。开篇从最基本的马尔科夫决策过程入手,将强化学习问题纳入到严谨的数学框架中,接着阐述了解决此类问题最基本的方法——动态规划方法,并从中总结出解决强化学习问题的基本思路:交互迭代策略评估和策略改善。基于这个思路,分别介绍了基于值函数的强化学习方法和基于直接策略搜索的强化学习方法。最后介绍了逆向强化学习方法和近年具有代表性、比较前沿的强化学习方法。 除了系统地介绍基本理论,书中还介绍了相应的数学基础和编程实例。因此,《深入浅出强化学习:原理入门》既适合零基础的人员入门学习、也适合相关科研人员作为研究参考。
动手学深度学习 PyTorch 版 2020.3.13
lgrsnf/动手学深度学习 PyTorch 版 2020.3.13.epub
深入浅出图神经网络:GNN原理解析【极验AI&图项目团队倾力之作!从原理、算法、实现、应用4个维度详细讲解图神经网络,理论与实践相结合。白翔、俞栋等学术界和企业界领军人物强烈推荐。】 (智能系统与技术丛书)
刘忠雨 & 李彦霖 & 周洋 [刘忠雨 & 李彦霖 & 周洋]
Ben shu gong 10 zhang:di 1-4 zhang jie shao tu, Tu shu ju, Juan ji shen jing wang luo yi ji biao shi xue xi deng ji chu zhi shi;Di 5-6 zhang cong li lun de jiao du chu fa, Jiang jie tu xin hao chu li he tu juan ji shen jing wang luo, Pou xi le tu juan ji shen jing wang luo de xing zhi, Bing ti gong GCN shi xian jie dian fen lei de shi li;Di 7-9 zhang jiang jie tu shen jing wang luo de ge zhong bian ti ji fan shi, Tu fen lei ji zhi ji qi shi jian, Yi ji ji yu GNN de tu biao shi xue xi;Di 10 zhang jie shao le tu shen jing wang luo de zui xin yan jiu he ying yong
多智能体机器学习:强化学习方法.pdf
[加]霍德华 M.施瓦兹(Howard M.schwartz)著, 连晓峰,谭励(译)
The book begins with a chapter on traditional methods of supervised learning, covering recursive least squares learning, mean square error methods, and stochastic approximation. Chapter 2 covers single agent reinforcement learning. Topics include learning value functions, Markov games, and TD learning with eligibility traces. Chapter 3 discusses two player games including two player matrix games with both pure and mixed strategies. Numerous algorithms and examples are presented. Chapter 4 covers learning in multi-player games, stochastic games, and Markov games, focusing on learning multi-player grid games—two player grid games, Q-learning, and Nash Q-learning. Chapter 5 discusses differential games, including multi player differential games, actor critique structure, adaptive fuzzy control and fuzzy interference systems, the evader pursuit game, and the defending a territory games. Chapter 6 discusses new ideas on learning within robotic swarms and the innovative idea of the evolution of personality traits. • Framework for understanding a variety of methods and approaches in multi-agent machine learning. • Discusses methods of reinforcement learning such as a number of forms of multi-agent Q-learning • Applicable to research professors and graduate students studying electrical and computer engineering, computer science, and mechanical and aerospace engineering