Интеллектуальная система и техническая серия 3 Объем глубокого обучения: основные технологии, инструменты и анализ случаев+глубокое обучение сверточной нейронной сеть
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товара
Этот набор включает в себя 3 тома
Глубокое обучение: основные технологии, инструменты и анализ случаев ISBN: 978711160303030 69 Юань
Глубокое обучение сверточной нейронной сетью от въезда до опытного ISBN: 9787111602798 79 Юань
Глубокое обучение: основная структура и программирование Фактическое боевое боевые действия ISBN: 9787111592396 59 Юань
Выбор редактора
(1) Автор приходит из Азиатского института Microsoft и имеет богатый опыт в искусственном интеллекте, больших данных и алгоритмах.
(2) Глубокое обучение с реальными техническими рекомендациями по бою*стека. С многолетним опытом автор выбрал основные знания, которые новички должны освоить, значительно уменьшив порог глубокого обучения
(3) Объясните системы знаний, основные технологии и алгоритмы глубокого обучения в деталях, а также применение в области машинного зрения, распознавания голоса, распознавания лица и автономного вождения
краткое введение
В этой книге есть 10 глав, которые можно разделить на 3 части: 1-2 главы -это части, а история развития и технологии режущихся алгоритмов глубокого обучения приведены; Основная структура глубокого обучения; Глава 5 ～ 10 - это третья часть, главным образом в случае с практикой в сочетании со сценариями приложений для использования технологии глубокого обучения для решения соответствующих проблем, таких как устройство распознавания голоса, робот чата, устройство распознавания лица, истребитель Робот, рекомендация построения двигателя и т. Д.
об авторе
об авторе
Гао Янджи
Большие данные и инженеры по исследованиям и разработкам искусственного интеллекта, работали в Азиатском институте Microsoft.Сосредоточьтесь на платформе AI глубокого обучения и технологии обработки данных, участвуйте в ряде проектов, связанных с ИИ и обработкой данных, и обладать обширными интересами и исследованиями применения систем, лежащих в основе ИИ, к верхним алгоритмам.
У него очень много исследований и богатого практического опыта в технологиях больших данных, таких как Hadoop и Spark. Он является автором книги «Технология Spark: Technology, Application and Performance» и «Spark Big Data Analysis Faction».
Лист
Инженер -алгоритм, работающий в Huasheng Gene, врачи Китайской академии наук.Он участвовал в электромагнитной аномальной системе мониторинга и интеллектуальной идентификации в Сычуане.Сосредоточьтесь на графических и связанных с сигналах методов машинного обучения.В исследовании принципов алгоритма.
Ранее контакт с Tensorflow, он провел очень глубокое исследование технологий искусственного интеллекта, таких как глубокое обучение. Он участвовал в исследованиях и разработках нескольких проектов машинного обучения.Математическая основа глубокая и является работником, который имеет менее базовые теории.Кроме того, HPC также обладает относительно систематическим и в четвертом понимании HPC.
Оглавление
CONTENTS
Оглавление
Предисловие
Глава*Глава, чтобы узнать глубокое обучение 1
1.1 Что такое глубокое обучение 1
1.1.1 Проблемы, которые глубокое обучение может решить 2
1.1.2 Доступно в глубоком обучении 3 3
1.2 Разработка технологий глубокого обучения 6
1.2.1 Основная разработка технологий 7
1.2.2 Разработка технологии применения 8
1.3 Сводка знаний о глубоком обучении 10
1.3.1 Технология подготовки глубокого обучения 11
1.3.2 Технология глубокого обучения композиции 12
1.3.3 Расширение глубокого обучения в других отраслях и технологических областях 13
1.4 Инструменты глубокого обучения и введение платформы 15
1.4.1.
1.4.2 Инфраструктура глубокого обучения 18
1.4.3 Инструмент развития глубокого обучения 19
1.4.4 Глубокий вспомогательный инструмент 20
1.4.5 Служба облачной платформы глубокого обучения 20
1.5 Сводка этой главы 22
1.6 Справочные материалы 23
Глава 2 Технология глубокого обучения 24
2.1 Основы глубокого обучения 24
2.1.1 Восприятие 26
2.1.2 Функция активации 27
2.1.3 Входной слой, скрытый слой, выходной слой 29
2.1.4 Передняя связь и обратная связь 29
2.2 CNN 30
2.2.1 Феминговая сеть решает проблему существования изображений 31
2.2.2 Служба нейронная сеть 31
2.2.3 Несколько не -дегенерации изображений 33
2.2.4 Служба 34
2.2.5 Pondalization 38
2.2.6 Inception 39
2.2.7 Слейт -слой и полное соединение 39
2.2.8 СОЕДИНЕНИЕ СЛАДНАЯ СЛАГОВА
2.2.9 Classic CNN 41
2.3 RNN 41
2.3.1 Структура RNN 42
2.3.2 Основная структура и внешний порядок 43
2.3.3 BPTT 44
2.3.4 LSTM 46
2.3.5 RNN расширяется 50
2.4 Алгоритм оптимизации 52
2.4.1 DRAPLE 52
2.4.2 Adam 54
2.5 Сводка этой главы 56
Глава 3 Tensorflow Basic 57
3.1 TensorFlow 57
3.2 Получить и установить 60
3.3 переменные и область применения 61
3.4 Расчет конструкции Рисунок 66
3.5 Полная конструкция сети подключения 71
3.6 CNN Construction 78
3.7 RNN Construction 82
3.8 Операция по мульти -архитектуре 85
3.8.1 GPU Использование 85
3.8.2 Multi -cpu Использование 86
3.9 Использование очереди 88
3.10 Эта глава является резюме 89
Глава 4 Tensorflow Advanced 90
4.1 Архитектура Tensorflow и принцип 90
4.2 расширение TensorFlow 93
4.2.1 TF Layers 94
4.2.2 TF Slim 95
4.2.3 TFLearn 96
4.2.4 Keras 99
4.3 Тенордорд и мониторинг проблем 101
4.4 Улучшить глубокую нейронную сеть 103
4.5 Рекомендация по оптимизации производительности 105
4.6 Структура глубокой нейронной сети 107
4.6.1 Структура основания 107
4.6.2 Структура Resnet 108
4.6.3 Структура SEQ2SEQ 108
4.6.4 Attention 109
4.7 Сводка этой главы 110
Глава 5 Устройство распознавания голоса 111
5.1 Анализ задач 111
5.2 Анализ данных и функций 114
5.2.1 Голосовая база данных 114
5.2.2 Функция голосовых данных 115
5.3 Структура сети по распознаванию голоса 119
5.3.1 CNN 120 для распознавания речи
5.3.2 RNN 122 Используется для распознавания голоса
5.4 CTC Loss 123
5.5 Направление текста 126
5.5.1. Направление текста английского текста 126
5.5.2. Направление китайского текста 129
5.5.3 Сравнение текстовых тегов 130
5.6 Полное строительство нейронной сети 131
5.6.1 Строительная идентификационная сеть CNN 132
5.6.2 RNN 136 Используется для распознавания голоса
5.7 Обучение данных 138
5.8 Настройка параметров 140
5.9 Фактический анализ данных 141
5.10 Эта глава является резюме 142
Глава 6 Диалог Робот 143
6.1 Обзор робота и приложения.
6.2 Диалог Робот Основная технология 145
6.2.1.
6.2.2 Робот диалога на основе технологии поиска 146
6.2.3 Dialoge Robot на основе глубокого обучения 146
6.3 Пограничное и функциональное расширение диалога робота 147
6.4
6.5 Построить диалог робот 150
6.5.1 Интерфейс бота и взаимодействие 150
6.5.2 ПРЕДУПРЕЖДЕНИЕ ПРОЦЕССИЯ 155
6.5.3 Строительство модели 161
6.5.4 Процесс обучения 163
6.5.5 онлайн -вывод 165
6.6 Эта глава - саммит 166
Глава 7 Устройство распознавания лица 167
7.1 Анализ задач 167
7.2 Обнаружение, алимент и идентифицировать 170
7.3 Анализ функций данных 172
7.3.1 Данные положения и диапазона лица 173
7.3.2. Данные ключевых пунктов 174
7.3.3 База данных распознавания лица 176
7.4 Метод классификатора HAAR 178
7.4.1 Извлечение фиксированных функций 178
7.4.2 Классификатор 180
7.4.3 Реализация кода 182
7.5 Эволюция метода нейронной сети 183
7.6 Страна по распознаванию лица 185
7.6.1 СЕТИ FACE TEST NETWER MTCNN 185
7.6.2 Googlenet 188 используется для обнаружения лица
7.7 Анализ основных различий в сети распознавания лица 190
7.8 Tensorflow Construction Network 191
7.9 Настройка параметров 193
7.10 Практический анализ 195
7.11 Эта глава - резюме 197
Глава 8 Автономное вождение 198
8.1 Введение и применение поля автономного вождения 198
8.1.1 Сценарий применения автономного вождения 199
8.1.2 Автономная оценка вождения 199
8.2 Технология автономного вождения 201
8.2.1 История автономного вождения с конца до конца 202
8.2.2 Под платформой технологии аппаратной поддержки аппаратной поддержки 203
8.3 Deep Enhance Learning 204
8.4 Обнаружение вождения 208
8.4.1 Обнаружение объекта 208
8.4.2 Yolo Model 209
8.4.3 Исследование данных изображения транспортного средства 211
8.4.4 Video Data Processcessing 212
8.4.5 Migration Learning 212
8.4.6 Модельный вывод 213
8.4.7 Нарисуйте результаты теста 213
8.5 End -end автономное вождение 216
8.5.1 NVIDIA END TO COND MODEL 216
8.5.2 Индекс оценки 219
8.5.3 Анализ данных 219
8.5.4 Прочитайте видео и обработайте изображение 222
8.5.5 Строительство и обучение модели глубокого обучения 222
8.5.6 Результаты визуализации 223
8.6 Эта глава - резюме 224
8.7 Справочные материалы 224
Глава 9 Практика визуализации 225
9.1 Visual Development 225
9.2 Процесс визуализации 227
9.3 Matplotlib 228
9.4 ECharts 230
9.
Предисловие
Почему префейсы должны писать эту книгу? С помощью соблюдения различных саммитов ИИ в Китае проводятся популярность каждой среды глубокого обучения с открытым исходным кодом.Персонал Deep Learning R & D достиг хороших результатов из алгоритма первоначальной оптимизации, преобразован в общедоступный набор данных, а теперь превратился в руководство применения, проектировала алгоритмы глубокого обучения оптимизации и используя его в производстве.Написание технической книги для технологий глубокого обучения и практического занятия - это моя идея в течение длительного времени.Из -за жесткой работы и обучения я сначала суммировал случаи, связанные с глубоким обучением или изучением, но со временем я наконец планировал абстрагировать универсальные алгоритмы, модульные процессы и сценарии применения, чтобы правильно выполнить должным образом для надлежащего выполнения надлежащего упрощения и Сортируется в книгу, которая также является моим резюме и обменом глубоким обучением.
Глубокое обучение - это модель машинного обучения, которая возникла из искусственной нейронной сети. Она основана на более глубокой модели и обладает более сильными возможностями подгонки. Также постепенно достигли гордых результатов в других сценариях применения.Deep Learning стало самой наблюдаемой технологией искусственного интеллекта на данный момент. У него огромная поддержка сообщества, а сценарии приложений и поддержка инструментов становятся все более совершенными.
221