注冊(cè) | 登錄讀書(shū)好，好讀書(shū)，讀好書(shū)！

當(dāng)前位置：首頁(yè)出版圖書(shū)科學(xué)技術(shù)計(jì)算機(jī)/網(wǎng)絡(luò)軟件與程序設(shè)計(jì)PaddlePaddle深度學(xué)習(xí)實(shí)戰(zhàn)

PaddlePaddle深度學(xué)習(xí)實(shí)戰(zhàn)

定　價(jià)：￥69.00

作　者：	劉祥龍、楊晴虹、譚中意、蔣曉琳等著
出版社：	機(jī)械工業(yè)出版社
叢編項(xiàng)：	智能系統(tǒng)與技術(shù)叢書(shū)
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787111600466	出版時(shí)間：	2018-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	245	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)采用由簡(jiǎn)入繁的原則撰寫(xiě)而成。我們希望本書(shū)能成為一名能帶領(lǐng)讀者領(lǐng)略PaddlePaddle精妙的精神導(dǎo)游。從較為簡(jiǎn)單的線性回歸、邏輯回歸到較為復(fù)雜的RNN數(shù)字識(shí)別、個(gè)性化推薦、云上部署等，本書(shū)結(jié)合若干實(shí)例，系統(tǒng)地介紹了PaddlePaddle的使用特點(diǎn)。教會(huì)讀者如何使用框架就像教會(huì)了讀者一套外功拳法。然而本書(shū)不僅關(guān)注框架本身的細(xì)節(jié)用法，還非常注重基礎(chǔ)知識(shí)和理論，目的是教會(huì)讀者內(nèi)功心法。書(shū)中既詳細(xì)描述了神經(jīng)網(wǎng)絡(luò)的各個(gè)細(xì)節(jié)，也深入講解了算法性能優(yōu)化的思路和技巧，旨在幫助讀者深入理解深度學(xué)習(xí)的精髓。本書(shū)共分為10章，每一章都包含理論介紹和對(duì)應(yīng)的代碼實(shí)現(xiàn)。

作者簡(jiǎn)介

　　劉祥龍北航計(jì)算機(jī)學(xué)院、軟件開(kāi)發(fā)環(huán)境國(guó)家重點(diǎn)實(shí)驗(yàn)室副教授。主要研究視覺(jué)計(jì)算、深度學(xué)習(xí)、群體智能等，在國(guó)際上較系統(tǒng)地研究了多模式哈希和互補(bǔ)多哈希表檢索方法。近年來(lái)，參與“核高基”國(guó)家重大專項(xiàng)、國(guó)家自然科學(xué)基金重大專項(xiàng)等多個(gè)國(guó)家課題。發(fā)表CVPR、ICCV、AAAI、IJCAI、IEEETIP等人工智能、計(jì)算機(jī)視覺(jué)領(lǐng)域國(guó)際/知名會(huì)議和期刊論文40余篇。擔(dān)任SCI期刊FCS青年副主編，人工智能/多媒體會(huì)議ACMMM、AAAI和PCM等多個(gè)知名國(guó)際會(huì)議的程序委員會(huì)委員，以及IEEETIP、TNNLS、TMM等十余個(gè)國(guó)際知名期刊和會(huì)議審稿人。楊晴虹北航副教授，高級(jí)工程師。北航博士，美國(guó)南康涅狄格州立大學(xué)圖書(shū)信息科學(xué)訪問(wèn)學(xué)者，美國(guó)耶魯大學(xué)技術(shù)創(chuàng)新實(shí)驗(yàn)室數(shù)據(jù)分析專家。發(fā)表國(guó)際論文幾十篇，主要研究領(lǐng)域有機(jī)器學(xué)習(xí)、知識(shí)挖掘、大數(shù)據(jù)分析、項(xiàng)目管理和科研管理等。在機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域有豐富的實(shí)踐經(jīng)驗(yàn)，曾主導(dǎo)和參與多個(gè)相關(guān)的項(xiàng)目并取得成功。譚中意百度研發(fā)工程師，負(fù)責(zé)百度開(kāi)源的整體推進(jìn)工作，有近20年的開(kāi)發(fā)和運(yùn)營(yíng)經(jīng)驗(yàn)。在百度多個(gè)部門(mén)工作過(guò)，現(xiàn)負(fù)責(zé)以平臺(tái)化/開(kāi)源的方式提升百度內(nèi)部整體的研發(fā)效率，并包括組織開(kāi)源技術(shù)委員會(huì)，對(duì)百度對(duì)外的開(kāi)源進(jìn)行整體的推動(dòng)工作。中國(guó)開(kāi)源推進(jìn)聯(lián)盟（COPU）副秘書(shū)長(zhǎng)。蔣曉琳百度公司技術(shù)管理部高級(jí)工程師，之前任職于中國(guó)信息通信研究院。曾參與主導(dǎo)超過(guò)30余項(xiàng)國(guó)家/行業(yè)標(biāo)準(zhǔn)，以及多項(xiàng)國(guó)際標(biāo)準(zhǔn)。在人工智能、云計(jì)算、大數(shù)據(jù)等領(lǐng)域參與申報(bào)和管理的國(guó)家重大專項(xiàng)達(dá)10余個(gè)。白浩杰北航特聘講師，美國(guó)佛羅里達(dá)國(guó)際大學(xué)高性能數(shù)據(jù)實(shí)驗(yàn)室訪問(wèn)學(xué)者，致力于移動(dòng)對(duì)象數(shù)據(jù)庫(kù)、數(shù)據(jù)可視化、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等方向的研究。徑點(diǎn)科技有限公司高級(jí)工程師，尚硅谷IT教育前端教學(xué)總監(jiān)。

圖書(shū)目錄

CONTENTS
目錄
序
前言
致謝
第1章數(shù)學(xué)基礎(chǔ)與Python庫(kù)1
1.1Python是進(jìn)行人工智能編程的
主要語(yǔ)言1
1.2數(shù)學(xué)基礎(chǔ)4
1.2.1線性代數(shù)基礎(chǔ)4
1.2.2微積分基礎(chǔ)8
1.3Python庫(kù)的操作17
1.3.1numpy操作17
1.3.2matplotlib操作23
本章小結(jié)27
第2章深度學(xué)習(xí)概論與PaddlePaddle入門(mén)28
2.1人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)29
2.1.1人工智能30
2.1.2機(jī)器學(xué)習(xí)30
2.1.3深度學(xué)習(xí)31
2.2深度學(xué)習(xí)的發(fā)展歷程32
2.2.1神經(jīng)網(wǎng)絡(luò)的第一次高潮32
2.2.2神經(jīng)網(wǎng)絡(luò)的第一次寒冬33
2.2.3神經(jīng)網(wǎng)絡(luò)的第二次高潮34
2.2.4神經(jīng)網(wǎng)絡(luò)的第二次寒冬35
2.2.5深度學(xué)習(xí)的來(lái)臨35
2.2.6深度學(xué)習(xí)崛起的時(shí)代背景36
2.3深度學(xué)習(xí)的應(yīng)用場(chǎng)景36
2.3.1圖像與視覺(jué)37
2.3.2語(yǔ)音識(shí)別37
2.3.3自然語(yǔ)言處理38
2.3.4個(gè)性化推薦38
2.4常見(jiàn)的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)39
2.4.1全連接網(wǎng)絡(luò)結(jié)構(gòu)39
2.4.2卷積神經(jīng)網(wǎng)絡(luò)40
2.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)41
2.5機(jī)器學(xué)習(xí)回顧41
2.5.1線性回歸的基本概念42
2.5.2數(shù)據(jù)處理44
2.5.3模型概覽45
2.5.4效果展示46
2.6深度學(xué)習(xí)框架簡(jiǎn)介47
2.6.1深度學(xué)習(xí)框架的作用47
2.6.2常見(jiàn)的深度學(xué)習(xí)框架48
2.6.3PaddlePaddle簡(jiǎn)介49
2.6.4PaddlePaddle使用49
2.7PaddlePaddle實(shí)現(xiàn)51
本章小結(jié)60
第3章深度學(xué)習(xí)的單層網(wǎng)絡(luò)61
3.1Logistic回歸模型62
3.1.1Logistic回歸概述62
3.1.2損失函數(shù)64
3.1.3Logistic回歸的梯度下降66
3.2實(shí)現(xiàn)Logistic回歸模型71
3.2.1Python版本72
3.2.2PaddlePaddle版本81
本章小結(jié)90
第4章淺層神經(jīng)網(wǎng)絡(luò)92
4.1神經(jīng)網(wǎng)絡(luò)92
4.1.1神經(jīng)網(wǎng)絡(luò)的定義及其結(jié)構(gòu)92
4.1.2神經(jīng)網(wǎng)絡(luò)的計(jì)算94
4.2BP算法100
4.2.1邏輯回歸與BP算法101
4.2.2單樣本雙層神經(jīng)網(wǎng)絡(luò)的BP算法101
4.2.3多個(gè)樣本神經(jīng)網(wǎng)絡(luò)BP算法105
4.3BP算法實(shí)踐108
4.3.1Python版本109
4.3.2PaddlePaddle版本116
本章小結(jié)122
第5章深層神經(jīng)網(wǎng)絡(luò)123
5.1深層網(wǎng)絡(luò)介紹123
5.1.1深度影響算法能力124
5.1.2網(wǎng)絡(luò)演化過(guò)程與常用符號(hào)125
5.2傳播過(guò)程127
5.2.1神經(jīng)網(wǎng)絡(luò)算法核心思想127
5.2.2深層網(wǎng)絡(luò)前向傳播過(guò)程128
5.2.3深層網(wǎng)絡(luò)后向傳播過(guò)程129
5.2.4傳播過(guò)程總結(jié)130
5.3網(wǎng)絡(luò)的參數(shù)132
5.4代碼實(shí)現(xiàn)133
5.4.1Python版本133
5.4.2PaddlePaddle版本136
本章小結(jié)140
第6章卷積神經(jīng)網(wǎng)絡(luò)141
6.1圖像分類問(wèn)題描述141
6.2卷積神經(jīng)網(wǎng)絡(luò)介紹142
6.2.1卷積層142
6.2.2ReLU激活函數(shù)147
6.2.3池化層148
6.2.4Softmax分類層149
6.2.5主要特點(diǎn)151
6.2.6經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)152
6.3PaddlePaddle實(shí)現(xiàn)159
6.3.1數(shù)據(jù)介紹159
6.3.2模型概覽160
6.3.3配置說(shuō)明160
6.3.4應(yīng)用模型168
本章小結(jié)169
第7章個(gè)性化推薦170
7.1問(wèn)題描述170
7.2傳統(tǒng)推薦方法171
7.2.1基于內(nèi)容的推薦172
7.2.2協(xié)同過(guò)濾推薦173
7.2.3混合推薦175
7.3深度學(xué)習(xí)推薦方法176
7.3.1YouTube的深度神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)176
7.3.2融合推薦系統(tǒng)178
7.4個(gè)性化推薦系統(tǒng)在PaddlePaddle上的實(shí)現(xiàn)180
7.4.1數(shù)據(jù)準(zhǔn)備180
7.4.2模型配置182
7.4.3模型訓(xùn)練184
7.4.4模型測(cè)試188
本章小結(jié)188
第8章個(gè)性化推薦的分布式實(shí)現(xiàn)190
8.1PaddlePaddleCloud介紹190
8.2PaddlePaddleCloud使用192
8.2.1創(chuàng)建集群192
8.2.2配置集群192
8.2.3配置客戶端193
8.3個(gè)性化推薦在PaddlePaddleCloud上的實(shí)現(xiàn)194
8.3.1提交單節(jié)點(diǎn)任務(wù)194
8.3.2個(gè)性化推薦在PaddlePaddleCloud上的實(shí)現(xiàn)196
本章小結(jié)199
第9章廣告CTR預(yù)估200
9.1CTR預(yù)估簡(jiǎn)介200
9.1.1CTR定義201
9.1.2CTR與推薦算法的異同202
9.1.3CTR預(yù)估的評(píng)價(jià)指標(biāo)202
9.2CTR預(yù)估的基本過(guò)程205
9.2.1CTR預(yù)估的三個(gè)階段206
9.2.2CTR預(yù)估中的特征預(yù)處理206
9.3CTR預(yù)估的常見(jiàn)模型208
9.3.1LR模型208
9.3.2GBDT模型210
9.3.3GBDT+LR模型212
9.3.4FM+DNN模型214
9.3.5MLR模型215
9.4CTR預(yù)估在工業(yè)上的實(shí)現(xiàn)217
9.5CTR預(yù)估在PaddlePaddle上的實(shí)現(xiàn)218
9.5.1數(shù)據(jù)集218
9.5.2預(yù)測(cè)模型選擇和構(gòu)建219
9.5.3PaddlePaddle完整實(shí)現(xiàn)222
本章小結(jié)226
第10章算法優(yōu)化227
10.1基礎(chǔ)知識(shí)227
10.1.1訓(xùn)練、驗(yàn)證和測(cè)試集227
10.1.2偏差和方差228
10.2評(píng)估229
10.2.1選定評(píng)估目標(biāo)229
10.2.2迭代過(guò)程230
10.2.3欠擬合和過(guò)擬合230
10.3調(diào)優(yōu)策略231
10.3.1降低偏差231
10.3.2降低方差236
10.4超參數(shù)調(diào)優(yōu)242
10.4.1隨機(jī)搜索和網(wǎng)格搜索242
10.4.2超參數(shù)范圍243
10.4.3分階段搜索243
10.4.4例子：對(duì)學(xué)習(xí)率的調(diào)整244
本章小結(jié)245