新書推薦：
《
高性能储能器件电解质：设计、制备与应用
》
售價：HK$
105.6
《
四时如意 国风纹样线描涂色集
》
售價：HK$
59.8
《
活下去才是硬道理：华为的36条生存法则
》
售價：HK$
93.6
《
森林：保护6万种树木的家
》
售價：HK$
86.4
《
数字经济：“数字中国”顶层规划与实践路径
》
售價：HK$
82.8
《
算者生存：商业分析的方法与实践
》
售價：HK$
95.8
《
共享现实：是什么让我们成为人类
》
售價：HK$
153.6
《
女佣异闻：乙一出道25周年纪念短篇集
》
售價：HK$
59.9
|
| 編輯推薦： |
（1）作者来自于微软亚洲研究院，在人工智能、大数据和算法等领域经验非常丰富。
（2）以实战为导向的深度学习全栈技术指南，作者凭借多年经验，精选初学者需要掌握的知识精要，大大降低深度学习的门槛
（3）详细讲解深度学习的知识系统、核心技术和算法，以及它们在机器视觉、语音识别、人脸识别、自动驾驶等领域的应用
|
| 內容簡介： |
|
本书共10章，可分为3个部分：第1～2章为*部分，简介深度学习算法的发展历史和前沿技术简；第3～4章为第二部分，介绍深度学习主流框架；第5～10章为第三部分，主要为实践案例部分，结合应用场景使用深度学习技术解决相应问题，譬如语音识别器、聊天机器人、人脸识别器、对战机器人、推荐引擎构建等。
|
| 關於作者： |
作者简介
高彦杰
大数据和人工智能研发工程师，任职于微软亚洲研究院。专注AI深度学习平台及数据处理技术，参与多项AI与数据处理相关项目，对AI底层系统到上层算法应用都有广泛的兴趣与研究。
对Hadoop和Spark等大数据技术有非常深入的研究和丰富的实践经验，著有畅销书《Spark：大数据技术，应用与性能优化》和《Spark大数据分析实战》。
于子叶
算法工程师，就职于华生基因，中科院博士。曾参与电磁异常监测与四川地区灾害智能识别系统。专注于图形、信号相关的机器学习方法。对算法底层原理有深入研究。
较早接触TensorFlow，对深度学习等人工智能技术有非常深入的研究，曾参与多个机器学习项目的研发。数学基础深厚，是较少进行基础理论研究的工作者，对现有自然科学所需算法从原理到实践均有深入的研究。此外，对高性能计算HPC也有较为系统和深入的认识。
|
| 目錄：
|
CONTENTS
目录
前言
第1章 了解深度学习1
1.1 什么是深度学习1
1.1.1 深度学习能解决的问题2
1.1.2 深度学习适用的领域3
1.2 深度学习的技术发展6
1.2.1 基础技术发展7
1.2.2 应用技术发展8
1.3 深度学习的知识点汇总10
1.3.1 深度学习的预备技术11
1.3.2 深度学习的技术构成12
1.3.3 深度学习向其他行业与技术领域的延伸13
1.4 深度学习工具与平台介绍15
1.4.1 深度学习框架15
1.4.2 深度学习基础架构18
1.4.3 深度学习开发工具19
1.4.4 深度学习辅助工具20
1.4.5 深度学习云平台服务20
1.5 本章小结22
1.6 参考资料23
第2章 深度学习技术24
2.1 深度学习基础24
2.1.1 感知器26
2.1.2 激活函数27
2.1.3 输入层、隐藏层、输出层29
2.1.4 前向传播与反向传播求导29
2.2 CNN30
2.2.1 前馈网络解决图像存在的问题31
2.2.2 卷积神经网络31
2.2.3 图像的几个不变性33
2.2.4 卷积34
2.2.5 池化38
2.2.6 Inception39
2.2.7 Flatten层和全连接层39
2.2.8 跳层连接40
2.2.9 经典CNN41
2.3 RNN41
2.3.1 RNN结构42
2.3.2 基本结构与前向传播43
2.3.3 BPTT44
2.3.4 LSTM46
2.3.5 RNN拓展50
2.4 最优化算法52
2.4.1 梯度下降52
2.4.2 Adam54
2.5 本章小结56
第3章 TensorFlow基础57
3.1 TensorFlow57
3.2 获取与安装60
3.3 变量及作用域61
3.4 构建计算图66
3.5 全连接网络构建71
3.6 CNN构建78
3.7 RNN构建82
3.8 多架构运行85
3.8.1 GPU使用85
3.8.2 多CPU使用86
3.9 队列使用88
3.10 本章小结89
第4章 TensorFlow进阶90
4.1 TensorFlow架构与原理90
4.2 TensorFlow扩展93
4.2.1 TF Layers94
4.2.2 TF Slim95
4.2.3 TFLearn96
4.2.4 Keras99
4.3 Tensorboard与问题监控101
4.4 改善深度神经网络103
4.5 性能优化建议105
4.6 深度神经网络结构107
4.6.1 Inception结构107
4.6.2 ResNet结构108
4.6.3 Seq2Seq结构108
4.6.4 Attention109
4.7 本章小结110
第5章 语音识别器111
5.1 任务分析111
5.2 数据与特征分析114
5.2.1 语音数据库114
5.2.2 语音数据特征115
5.3 主流语音识别网络结构119
5.3.1 用于语音识别的CNN120
5.3.2 用于语音识别的RNN122
5.4 CTC Loss123
5.5 文本向量化126
5.5.1 英文文本向量化126
5.5.2 中文文本向量化129
5.5.3 文本标签比对130
5.6 完整构建神经网络131
5.6.1 构建CNN识别网络132
5.6.2 用于语音识别的RNN136
5.7 数据训练138
5.8 参数调优140
5.9 实际数据分析141
5.10 本章小结142
第6章 对话机器人143
6.1 对话机器人概述与应用领域143
6.2 对话机器人主流技术145
6.2.1 基于模板的对话机器人145
6.2.2 基于检索技术的对话机器人146
6.2.3 基于深度学习的对话机器人146
6.3 对话机器人的前沿与功能扩展147
6.4 深度学习对话机器人原理149
6.5 构建对话机器人150
6.5.1 Bot界面与交互150
6.5.2 语料预处理155
6.5.3 模型构建161
6.5.4 训练流程163
6.5.5 在线推断165
6.6 本章小结166
第7章 人脸识别器167
7.1 任务分析167
7.2 Detection、Aliment与Identify170
7.3 数据特征分析172
7.3.1 人脸位置和范围数据173
7.3.2 人脸关键点数据174
7.3.3 人脸识别数据库176
7.4 haar分类器方式178
7.4.1 固定特征的提取178
7.4.2 分类器180
7.4.3 代码实现182
7.5 神经网络方法演进183
7.6 人脸识别网络构建185
7.6.1 人脸检测网络MTCNN185
7.6.2 用于人脸检测的GoogleNet188
7.7 主流人脸识别网络差异分析190
7.8 TensorFlow搭建网络191
7.9 参数调优193
7.10 实战分析195
7.11 本章小结197
第8章 自动驾驶198
8.1 自动驾驶的介绍与应用领域198
8.1.1 自动驾驶的应用场景199
8.1.2 自动驾驶分级199
8.2 自动驾驶技术201
8.2.1 端到端的自动驾驶历史202
8.2.2 底层硬件支撑技术平台203
8.3 深度增强学习204
8.4 行车检测208
8.4.1 物体检测208
8.4.2 YOLO模型209
8.4.3 车辆图像数据探索211
8.4.4 车辆视频数据预处理212
8.4.5 迁移学习212
8.4.6 模型推断213
8.4.7 绘制检测结果213
8.5 端到端自动驾驶216
8.5.1 英伟达End to End模型216
8.5.2 评估指标219
8.5.3 数据分析219
8.5.4 读入视频，并处理图像222
8.5.5 深度学习模型构建与训练222
8.5.6 可视化结果223
8.6 本章小结224
8.7 参考资料224
第9章 可视化实践225
9.1 可视化发展225
9.2 可视化过程227
9.3 Matplotlib228
9.4 ECharts230
9.
|
| 內容試閱：
|
PREFACE前言为什么要写这本书随着国内各个AI峰会的召开，各个开源深度学习框架meetup的火爆举行，深度学习技术的发展正在如火如荼地进行之中，很多公司已经将深度学习技术大范围落地并且应用于生产之中。深度学习的研发人员已经从最初的通过优化算法，在公开数据集上取得不俗的成绩，转变到如今在应用的引导之下，设计优化深度学习算法并将其用于生产之中。写一本深度学习技术与实用案例类的技术图书是我持续了很久的想法。由于工作和学习较为紧张，最初只是对参与或学习过的深度学习相关案例进行了总结，但是随着时间的推移，最终我还是打算将其中通用的算法、模块流程以及应用场景抽象出来，进行适当简化并整理成书，这也算是我对深度学习的一个总结和分享。
深度学习是发源于人工神经网络的一种机器学习模型，它立足于更深的模型，具有更强的拟合能力，在计算机视觉、语音识别、自然语言处理等领域均取得了不俗的成果，并在其他应用场景中也逐步获得了傲人的成绩。深度学习已成为当下最受关注的人工智能技术，拥有着庞大的社区支持，应用场景与工具支持也日趋完善。
现在越来越多的同行已经了解并且开始应用深度学习技术。但是对于工程师和研发人员来说，市场上还缺少一本关于深度学习的实用案例类图书，很多深度学习初学者和开发人员只能参考网络上零星的技术博客或文档，这使得学习过程变得零碎且艰难，而本书正是为了解决这些的问题而着意编写的。
本书希望展现给读者一个系统化的视角，秉承大道至简的主导思想，讲解深度学习的基本原理，以及如何在深度学习技术上构建复杂的人工智能应用，帮助读者开启深度学习技术应用之旅。
本书特色从技术层面上讲，本书介绍了人工智能领域中发展势头正盛的深度学习技术和应用。深度学习作为一种机器学习算法，不仅具有模型结构的灵活性，可快速构建适用于不同领域的模型结构与算法，同时具有强大的模型拟合能力，能够在GPU等硬件，TensorFlow等软件层框架的支撑下，发挥人工智能解决问题的能力，依托于深度网络的通用学习能力，快捷地构建广受欢迎的人工智能产品。
从适合读者阅读和掌握知识的角度进行结构安排，从深度学习基本概念和机制介绍入手，结合TensorFlow及其相关深度学习框架，构建相应的网络结构实战案例，并在最后结合不同的应用场景构建人工智能应用。本书所讲内容涵盖较为全面，不仅介绍了基本原理，如何进行深度学习，同时结合应用场景构建应用，还总结了一些实用经验。
书中一些实际操作和应用相关的章节，比较适合人工智能和机器学习开发人员参考，可以作为工作手边书；算法和优化实践方面的章节，则比较适合机器学习和算法工程师，可以分享经验，用于拓展解决问题的思路。
读者对象深度学习与人工智能初学者深度学习与人工智能应用开发人员机器学习爱好者开源软件爱好者其他对深度学习与人工智能技术感兴趣的人员如何阅读本书本书共计10章，各章内容安排概括如下。
第1章从深度学习的概念出发，介绍深度学习的来龙去脉，阐述深度学习技术的知识图谱以及不同层面的技术概览。
第2章详细介绍了深度学习机制、典型模型原理与设计初衷。
第3章详细介绍了深度学习框架TensorFlow，以实战加深对深度学习技术的理解，为后续使用奠定基础。
第4章详细介绍了TensorFlow的高阶特性与实战优化最佳实践。
第5章从实际出发，详细介绍如何通过深度学习技术构建语音识别器，采用主流深度学习语音识别模型作为实例。
第6章详细介绍了对话机器人领域的技术，以及如何通过深度学习技术构建对话机器人。
第7章详细介绍了深度学习的重要应用领域——人脸识别，以及主流的人脸识别模型与实践。
第8章介绍了自动驾驶领域的相关技术，以及如何通过深度学习进行车辆检测和端到端的自动驾驶解决方案。
第9章详细介绍了深度学习与人工智能中可视化的实例，使得研发人员能够更加直观地诊断优化和呈现结构。
第10章总结了深度学习训练和推断中可能会涉及的、需要注意和调节的优化点，希望他山之石可以攻玉。
如果你有一定深度学习的经验，能够理解深度学习和TensorFlow的相关基础知识和使用技巧，那么可以直接阅读本书第5～10章。如果你是一名初学者，最好从第1章的基础知识开始学起。
勘误和支持由于水平有限，编写时间仓促，书中难免会出现一些错误或者不准确的地方，恳请读者批评指正。如果你有更多的宝贵意见，请反馈给我们，我们会尽量为你提供最满意的解答，欢迎读者朋友加QQ群（687690969）进行技术交流。
你可以通过微博@高彦杰gyj，公共号“戏说AI大数据”，邮箱“gaoyanjie55@163.com”联系到高彦杰。
你也可以通过知乎专栏“神经网络学习与Tensorflow.实践”，邮箱“cangye@hotmail.com”联系到于子叶。
期待能够得到你的真挚反馈，在技术之路上互勉共进。
致谢感谢机械工业出版社华章公司的编辑杨福川和张锡鹏，在近半年的时间里始终支持我们的写作，是你们的鼓励和帮助引导我们顺利完成全部书稿。
特别致谢谨以此书献给我们最亲爱的爱人、家人、同事，以及众多热爱深度学习与人工智能技术的朋友们！
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
