Принцип глубокого обучения и практическое учебное пособие по машинному обучению
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Эта книга представляет собой входную книгу, которая вводит глубокое обучение и рамки с открытым исходным кодом Pytorch.Книга фокусируется на фактическом бою. а также технологии резки, такие как конфронтация и глубокое укрепление обучения.Читая эту книгу, читатели могут легко начать с глубокого обучения, научиться строить устройство для распознавания изображений, генерировать реалистичные картины, пусть машина понимает слова и тексты, пусть композиция машины играет в игры, а также может достичь простого машинного перевода система.Эта книга подходит для инженеров -программистов в индустрии искусственного интеллекта и студентов, которые заинтересованы в искусственном интеллекте.
Оглавление
Глава 1 Введение в глубокое обучение 1
1.1 Глубокое обучение и искусственный интеллект 1
1.2 Историческое происхождение глубокого обучения 2
1.2.1 От перцептивной машины до искусственной нейронной сети 3
1.2.2 В -Depth Learning xi Era 4
1.2.3 Конкуренция между гигантами 5
1.3 влияет на факторы глубокого обучения 6
1.3.1 Большие данные 6
1.3.2 в сетевой архитектуре 7
1.3.3 графический процесс 11
1.4 Почему глубокое обучение так успешно 11
1.4.1.
1.4.2.
1.5 Резюме 13
Ссылки 14
Глава 2 Введение в Pytorch 15
2.1 Установка Pytorch 15
2.2 Pytorch 15
2.2.1 Идеальное слияние Python 16
2.2.2 Расчет количества 16
2.2.3 Динамический расчет Рисунок 20
2.3 Пример Pytorch: прогнозировать цену дома 27
2.3.1 Данные подготовки 27
2.3.2 модели дизайн 28
2.3.3 Обучение 29
2.3.4 Прогноз 31
2.3.5 Сводка 32
2.4 Резюме 33
ГЛАВА 3 БИКИКЛ ПРЕДИГР: Ваш № 1
Нейронная сеть 35
3.1 Проблемы с совместным велосипедом 35
3.2 Bicycle Predictor 1.0 37
3.2.1 Введение в нейронную сеть 37
3.2.2 Искусственные нейроны 38
3.2.3 Два скрытых слоя нейронов 40
3.2.4 Обучение и операция 42
3.2.5 Нервный предиктор 43
3.2.6 переосмысление 48
3.3 Bicycle Predictor 2.0 49
3.3.1 Процесс предварительной обработки данных 49
3.3.2 Строительство нейронной сети 52
3.3.3 Тестирование нейронной сети 55
3.4 Анализ нейронной сети Neu 57
3.5 Резюме 61
3.6 Q.&A 61
Глава 4 Машина также понимает эмоции——
Классификатор 63
4.1 Классификатор нейронной сети 64
4.1.1 Как классифицировать с помощью нейронной сети 64
4.1.2 Функция потерь задача классификации 66
4.2 Классификатор модели сумки Wagmine 67
4.2.1 Введение в Word Bag Model 68
4.2.2 Создайте простой текстовый классификатор 69
4.3 Реализация программы 70
4.3.1 Получение данных 70
4.3.2 Обработка данных 74
4.3.3. Направление текстовых данных 75
4.3.4 Разделите набор данных 76
4.3.5 Установить нейронную сеть 78
4.4 Результаты запуска 80
4.5 Анализ нейронной сети 81
4.6 Резюме 85
4.7 Q q&A 85
Глава 5 Рукописный цифровой идентификатор——
Нейронная сеть 87
5.1 Что такое сверточная нейронная сеть 88
5.1.1 CNN из рукописных задач цифрового распознавания
Сетевой и вычислительный процесс 88
5.1.2 Операция свертки 90
5.1.3
5,1,4 с Три7
5.1.5 Супер пакет и параметры 98
5.1.6 Другие инструкции 99
5.2 Отправленный цифровой идентификатор 100
5.2.1 Подготовка данных 100
5.2.2 Строительная сеть 103
5.2.3 Запуск модели 105
5.2.4 Тестовая модель 106
5.3 Анализ сверточной нейронной сети 107
5.3.1 Первый слой ядра свертки и функция Рисунок 107
5.3.2 Второй слой ядра свертки и функция Рисунок 109
5.3.3 Прочный тест сверточной нейронной сети 110
5.4 Резюме 112
5,5 Q.&A 112
5.6 Чтение расширения 112
ГЛАВА 6 РАЗРЕЖНЫЙ ДИГАНСКИЙ ПЛЮС——
6.1 Что такое миграционное обучение 114
6.1.1 Происхождение миграционного обучения 114
6.1.2 Классификация миграционного обучения 115
6.1.3 Значение миграционного обучения 115
6.1.4 Как использовать нейронные сети для достижения миграции
Узнайте 116
6.2 Применение: как противостоять бедности 118
6.2.1 Введение. 118
6.2.2 Методы исследуют 119
6.2.3 Метод обучения миграции 120
6.3 Муравей или Пчела: мигрируйте большие сверточные нервы
Сеть 121
6.3.1 Описание задачи и предварительная попытка 121
6.3.2 Resnet и Model Migration 122
6.3.3 Реализация кода 123
6.3.4 Анализ результатов 127
6.3.5 больше моделей и данных 128
6.4 Отправочный метод цифрового плюса 128
6.4.1 Сеть архитектура 128
6.4.2 Реализация кода 129
6.4.3 Обучение и тест 136
6.4.4 Результат 138
6.4.5 Большой эксперимент 138
6.5 Резюме 143
6.6 Практический проект: миграция и эффективность 143
Глава 7 Ваша Приста—— изображение
Миграция стиля 145
7.1 Что такое миграция стиля 145
7.1.1 Что такое стиль 145
7.1.2 Значение миграции стиля 146
7.2 Стиль миграционная технология разработка.
7.2.1 Миграция перед нейронной сетью 147
7.2.2 Реализация конкретных стилей 148
7.3 Миграция стиля нейронной сети 149
7.3.1 Преимущество миграции стиля нейронной сети 150
7.3.2 Основная миграция стиля нейронной сети
Мысль 150
7.3.3 Выбор сверточной нейронной сети 151
7.3.4 Потеря контента 152
7.3.5 Потеря стиля 152
7.3.6 Анализ принципа потери стиля 153
7.3.7 Функция потерь и оптимизация 156
7.4 Миграция в стиле нейронной сети Фактическая борьба 157
7.4.1 Подготовка 157
7.4.2 Создание миграционной сети стиля 159
7.4.3
7.5 Резюме 165
7.6 Чтение расширения 165
Глава 8 Искусственный интеллект ложный——
Обучение с конфронтацией 166
8.1 Анти -контролюция и генерация изображений 169
8.1.1 CNN Review 169
8.1.2 Антиконволюционная операция 171
8.1.3 Процесс анти -публикации 173
8.1.4 Антиконволюционные и оценки темпа 174
8.1.5 Выходное изображение. Формула 175
8.1.6 Партия технологии регуляризации 176
8.2 Эксперимент с генерацией изображений 1——
Модель 177
8.2.1 Идея модели 177
8.2.2 Реализация кода 178
8.2.3 Результаты запуска 182
8.3 Эксперимент с генерацией изображений 2——
Модель 184
8.3.1 Генератор-внедрение модели идентификатора 184
8.3.2 Боевой выборка 187
8.4 Эксперимент с генерацией изображений 3——
GAN 190
8.4.1 Общая архитектура Ган 191
8.4.2 Реализация программы 192
8.4.3 Дисплей результата 195
8.5 Сводка 197
8,6 Q.&A 197
8.7 Расширение Читать 198
ГЛАВА 9 Словарь Звездный неба——
И Word2VEC 199
9.1 Word Vector Technology Введение 199
9.1.1 Первичное сознание Vecent 199
9.1.2 Метод традиционного кодирования 200
9.2 NPLM: языковая модель вероятности нейропов модель 201
9.2.1 Основная мысль о NPLM 202
9.2.2 Процесс эксплуатации NPLM подробен 202
9.2.3 Прочитайте слово вектор в NPLM 205 205
9.2.4 NPLM Кодирование
9.2.5 Результаты запуска 209
9.2.6 Резюме и ограничения NPLM 211
9.3 Word2VEC 211
9.3.1 Структура модели CBOW и модели Skip-Gram 211
9.3.2 Уровень мягкий большой 213
9.3.3 отрицательная выборка 213
9.3.4 Резюме и анализ 214
9.4 Word2VEC Application 214
9.4.1 Тренась Word2VEC Word Vector 214 на вашем собственном корпусе
9.4.2 Позвоните в готовый словесный вектор 216
9.4.3 Женщины-люди = королева-король 218
9.4.4 Используйте пространственную позицию вектора, чтобы перевести слово в перевод слова 220
9.4.5 Word2VEC Резюме 221
9.5 Резюме 221
9,5 Q.&A 222
Глава 10 LSTM наложница——
Модель 224
10.1 Задача генерации последовательности 224
10.2 RNN и LSTM 225
10.2.1 RNN 226
10.2.2 LSTM 231
10.3 Простая проблема обучения уровня 01 235
10.3.1 Изучение последовательности RNN 236
10.3.2 LSTM Learning 245
10.4 LSTM Composer 248
10.4.1 MIDI -файл 248
10.4.2 Подготовка данных 249
10.4.3 Структура модели 249
10.4.4 Реализация кода 250
10.5 Резюме 259
10.6 Q.&A 259
10.7 Расширение Читает 259
Swarma Club (Swarma Club), основанный в 2003 году, является исследовательской группой, занимающейся академическими исследованиями и наслаждается научным весельем.Выступайте за дух равного и открытого отношения и духа научных доказательств, провести перекрестные дискорированные исследования и обмены и попытаться построить Китай“”.В настоящее время он был опубликован как «крайность науки: разговор об искусственном интеллекте» и «Переход к 2050 году: внимание, интернет и искусственный интеллект», переведенный «глубокое мышление: конец искусственного интеллекта и отправная точка человеческого творчества ".
Настоящая книга по вступлению в глубокое обучение, подробное объяснение принципа глубокого обучения, фактический боевой бой, массовые случаи, быстро началось