PaddlePaddle深度學習實踐

定　價：￥59.90

作　者：	盧睿、李林瑛
出版社：	清華大學出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

當當網(wǎng) (￥56.90)

ISBN：	9787302664499	出版時間：	2024-08-01	包裝：	平裝-膠訂
開本：	16開	頁數(shù)：		字數(shù)：

內(nèi)容簡介

　　全書共8章，可分為三部分。第一部分為深度學習基礎篇，包括第1、2章，介紹Python基礎、數(shù)學基礎、深度學習的概念和任務；第二部分為深度學習基本模型篇，包括第3~5章，介紹卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡和基于自注意力機制的Transformer模型；第三部分為自然語言應用篇，包括第6~8章，介紹詞向量、預訓練語言模型、詞法分析等自然語言處理領域的應用和實踐。書中各章相互獨立，讀者可根據(jù)自己的興趣和時間使用。書中每章都給出了相應的實踐內(nèi)容，建議讀者在閱讀時，輔以代碼實踐，快速上手深度學習，加深對模型的理解。本書內(nèi)容基礎、案例豐富，適合作為高等院校人工智能及相關專業(yè)的教材，也可供研究人員和技術人員參考。

作者簡介

暫缺《PaddlePaddle深度學習實踐》作者簡介

圖書目錄

隨書資源

第一部分深度學習基礎
第1章Python與數(shù)學基礎
1.1Python簡介
1.2深度學習常用Python庫
1.2.1NumPy庫
1.2.2Matplotlib庫
1.3PaddlePaddle基礎
1.3.1張量的概念
1.3.2調(diào)整張量形狀
1.3.3索引和切片
1.3.4自動微分
1.3.5PaddlePaddle中的模型與層
1.4數(shù)學基礎
1.4.1線性代數(shù)
1.4.2微分基礎
1.5案例：《青春有你2》爬取與數(shù)據(jù)分析
1.5.1思路分析
1.5.2獲取網(wǎng)頁頁面
1.5.3解析頁面
1.5.4爬取選手百度百科圖片
1.5.5數(shù)據(jù)展示與分析
1.6本章小結
第2章深度學習基礎
2.1深度學習歷史
2.2深度學習
2.2.1人工智能、機器學習、深度學習的關系
2.2.2機器學習
2.2.3深度學習
2.3模型構建
2.3.1線性神經(jīng)元
2.3.2線性單層感知機
2.3.3非線性多層感知機
2.3.4模型實現(xiàn)
2.4損失函數(shù)
2.4.1均方差損失
2.4.2交叉熵
2.4.3損失函數(shù)的實現(xiàn)
2.4.4正則化
2.5參數(shù)學習
2.5.1梯度下降法
2.5.2梯度下降法實現(xiàn)
2.6飛槳框架高層API深入解析
2.6.1簡介
2.6.2方案設計
2.6.3數(shù)據(jù)集定義、加載和數(shù)據(jù)預處理
2.6.4模型組網(wǎng)
2.6.5模型訓練
2.6.6模型評估和模型預測
2.6.7模型部署
2.7案例：基于全連接神經(jīng)網(wǎng)絡的手寫數(shù)字識別
2.7.1方案設計
2.7.2數(shù)據(jù)處理
2.7.3模型構建
2.7.4模型配置和模型訓練
2.7.5模型驗證
2.7.6模型推理
2.8本章小結

第二部分深度學習基本模型
第3章卷積神經(jīng)網(wǎng)絡
3.1圖像分類問題描述
3.2卷積神經(jīng)網(wǎng)絡
3.2.1卷積層
3.2.2池化層
3.2.3卷積優(yōu)勢
3.2.4模型實現(xiàn)
3.3經(jīng)典的卷積神經(jīng)網(wǎng)絡
3.3.1LeNet
3.3.2AlexNet
3.3.3VGG
3.3.4GoogLeNet
3.3.5ResNet
3.4案例：圖像分類網(wǎng)絡VGG在中草藥識別任務中的應用
3.4.1方案設計
3.4.2整體流程
3.4.3數(shù)據(jù)處理
3.4.4模型構建
3.4.5訓練配置
3.4.6模型訓練
3.4.7模型評估和推理
3.5本章小結
第4章循環(huán)神經(jīng)網(wǎng)絡
4.1任務描述
4.2循環(huán)神經(jīng)網(wǎng)絡
4.2.1RNN和LSTM網(wǎng)絡的設計思考
4.2.2RNN結構
4.2.3LSTM網(wǎng)絡結構
4.2.4模型實現(xiàn)
4.3案例：基于THUCNews新聞標題的文本分類
4.3.1方案設計和整體流程
4.3.2數(shù)據(jù)預處理
4.3.3模型構建
4.3.4訓練配置、過程和模型保存
4.3.5模型推理
4.4本章小結
第5章注意力模型
5.1任務簡介
5.2注意力機制
5.2.1注意力機制原理
5.2.2自注意力機制
5.2.3Transformer模型
5.2.4模型實現(xiàn)
5.2.5自注意力模型與全連接、卷積、循環(huán)、圖神經(jīng)網(wǎng)絡的不同
5.3案例：基于seq2seq的對聯(lián)生成
5.3.1方案設計
5.3.2數(shù)據(jù)預處理
5.3.3模型構建
5.3.4訓練配置和訓練
5.3.5模型推理
5.4本章小結
第三部分自然語言應用
第6章預訓練詞向量
6.1詞向量概述
6.2詞向量word2vec
6.2.1CBOW模型
6.2.2Skipgram模型
6.2.3負采樣
6.3CBOW實現(xiàn)
6.3.1數(shù)據(jù)處理
6.3.2網(wǎng)絡結構
6.3.3模型訓練
6.4案例：詞向量可視化與相似度計算
6.4.1詞向量可視化
6.4.2句子語義相似度
6.5本章小結
第7章預訓練語言模型及應用
7.1任務介紹
7.2BERT模型
7.2.1整體結構
7.2.2輸入表示
7.2.3基本預訓練任務
7.2.4預訓練語言模型的下游應用
7.2.5模型實現(xiàn)
7.3案例： BERT文本語義相似度計算
7.3.1方案設計
7.3.2數(shù)據(jù)預處理
7.3.3模型構建
7.3.4模型配置與模型訓練
7.3.5模型推理
7.4本章小結
第8章詞性分析技術及應用
8.1任務簡介
8.2基于BERTBiLSTMCRF模型的命名實體識別模型
8.2.1BERT詞表示層
8.2.2BiLSTM特征提取層
8.2.3CRF序列標注層
8.3深入了解BiLSTMCRF模型
8.3.1BiLSTM CRF模型架構
8.3.2CRF模型定義
8.3.3標簽分數(shù)
8.3.4轉移分數(shù)
8.3.5解碼策略
8.3.6CRF模型實現(xiàn)
8.4案例：基于BERT BiGRU CRF模型的阿里中文地址要素解析
8.4.1方案設計
8.4.2數(shù)據(jù)預處理
8.4.3模型構建
8.4.4模型推理
8.5本章小結