飞桨PaddlePaddle深度学习实战
￥99.00定价
作者： 刘祥龙，杨晴虹，胡晓光，于佃海
出版时间：2020-09
出版社：机械工业出版社
- 机械工业出版社
- 9787111662365
- 461485
- 2020-09
作者简介
内容简介
本书由百度官方出品，百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐。
本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。
在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。
本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。
在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。
目录
序
前言
第一部分 数学与编程基础篇
第1章 数学基础与Python库2
11 Python是进行人工智能编程的主要语言2
12 数学基础3
121 线性代数基础3
122 微积分基础7
13 Python库的操作14
131 NumPy操作14
132 Matplotlib操作19
14 本章小结23
第2章 深度学习概论与飞桨入门24
21 人工智能、机器学习和深度学习25
211 人工智能25
212 机器学习26
213 深度学习26
22 深度学习的发展历程27
221 神经网络的第一次高潮27
222 神经网络的第一次寒冬28
223 神经网络的第二次高潮30
224 神经网络的第二次寒冬30
225 深度学习的来临31
226 深度学习崛起的时代背景31
23 深度学习的应用场景31
231 图像与视觉32
232 语音识别32
233 自然语言处理33
234 个性化推荐33
24 常见的深度学习网络结构34
241 全连接网络结构34
242 卷积神经网络34
243 循环神经网络35
25 机器学习回顾35
251 线性回归的基本概念36
252 数据处理37
253 模型概览38
254 效果展示39
26 深度学习框架简介40
261 深度学习框架的优势40
262 常见的深度学习框架41
263 飞桨简介42
264 飞桨安装42
265 AI Studio43
27 飞桨实现44
28 飞桨服务平台和工具组件51
281 PaddleHub51
282 X2Paddle54
283 PARL56
284 EasyDL61
29 本章小结62
第二部分 深度学习基础篇
第3章 深度学习的单层网络64
31 Logistic回归模型64
311 Logistic回归概述64
312 损失函数66
313 Logistic回归的梯度下降68
32 实现Logistic回归模型72
321 NumPy版本73
322 飞桨版本80
33 本章小结88
第4章 浅层神经网络89
41 神经网络89
411 神经网络的定义及其结构89
412 神经网络的计算91
42 BP算法96
421 逻辑回归与BP算法96
422 单样本双层神经网络的BP算法97
423 多样本神经网络的BP算法100
43 BP算法实践103
431 NumPy版本103
432 飞桨版本110
44 本章小结114
第5章 深层神经网络116
51 深层网络介绍116
511 深度影响算法能力116
512 网络演化过程与常用符号118
52 传播过程120
521 神经网络算法核心思想120
522 深层网络正向传播过程120
523 深层网络反向传播过程121
524 传播过程总结122
53 网络的参数124
54 代码实现125
541 NumPy版本125
542 飞桨版本128
55 本章小结130
第6章 卷积神经网络131
61 图像分类问题描述131
62 卷积神经网络介绍132
621 卷积层132
622 ReLU激活函数136
623 池化层137
624 Softmax分类层138
625 主要特点139
626 经典神经网络架构140
63 飞桨实现145
631 数据介绍145
632 模型概览146
633 配置说明146
64 本章小结153
第7章 循环神经网络154
71 任务描述154
72 循环神经网络介绍155
721 长短期记忆网络156
722 门控循环单元157
723 双向循环神经网络158
724 卷积循环神经网络159
73 利用飞桨实现机器翻译159
731 数据准备159
732 柱搜索 163
733 模型配置167
734 模型训练168
735 加载训练模型进行预测169
74 本章小结170
第8章 注意力机制171
81 任务描述171
82 注意力机制介绍172
821 Transformer172
822 Non-local神经网络175
823 Attention Cluster神经网络176
83 利用飞桨实现视频分类177
831 Non-local神经网络177
832 Attention Cluster183
84 本章小结195
第9章 算法优化196
91 基础知识196
911 训练、验证和测试集196
912 偏差和方差197
92 评估198
921 选定评估目标198
922 迭代过程199
923 欠拟合和过拟合199
93 调优策略199
931 降低偏差199
932 降低方差204
94 超参数调优209
941 随机搜索和网格搜索209
942 超参数范围209
943 分阶段搜索210
944 例子：对学习率的调整210
95 本章小结212
第三部分 飞桨实践篇
第10章 目标检测214
101 任务描述214
102 常见模型解析217
1021 R-CNN系列217
1022 YOLO223
1023 SSD228
103 PaddleDetection应用实践231
1031 Faster-R-CNN231
1032 YOLOv3234
104 本章小结237
第11章 图像生成238
111 任务描述238
1111 图像生成238
1112 图像–图像转换239
1113 文本–图像转换239
112 模型概览240
1121 图像生成240
1122 图像–图像241
1123 文本–图像246
113 PaddleGAN应用实践248
1131 数据准备248
1132 参数设置248
1133 网络结构定义249
1134 模型训练253
1135 模型测试 256
114 本章小结257
第12章 情感分析258
121 任务描述258
122 算法原理解析259
1221 BOW259
1222 DB-LSTM259
123 情感分析应用实践261
1231 数据集下载261
1232 配置模
前言
第一部分 数学与编程基础篇
第1章 数学基础与Python库2
11 Python是进行人工智能编程的主要语言2
12 数学基础3
121 线性代数基础3
122 微积分基础7
13 Python库的操作14
131 NumPy操作14
132 Matplotlib操作19
14 本章小结23
第2章 深度学习概论与飞桨入门24
21 人工智能、机器学习和深度学习25
211 人工智能25
212 机器学习26
213 深度学习26
22 深度学习的发展历程27
221 神经网络的第一次高潮27
222 神经网络的第一次寒冬28
223 神经网络的第二次高潮30
224 神经网络的第二次寒冬30
225 深度学习的来临31
226 深度学习崛起的时代背景31
23 深度学习的应用场景31
231 图像与视觉32
232 语音识别32
233 自然语言处理33
234 个性化推荐33
24 常见的深度学习网络结构34
241 全连接网络结构34
242 卷积神经网络34
243 循环神经网络35
25 机器学习回顾35
251 线性回归的基本概念36
252 数据处理37
253 模型概览38
254 效果展示39
26 深度学习框架简介40
261 深度学习框架的优势40
262 常见的深度学习框架41
263 飞桨简介42
264 飞桨安装42
265 AI Studio43
27 飞桨实现44
28 飞桨服务平台和工具组件51
281 PaddleHub51
282 X2Paddle54
283 PARL56
284 EasyDL61
29 本章小结62
第二部分 深度学习基础篇
第3章 深度学习的单层网络64
31 Logistic回归模型64
311 Logistic回归概述64
312 损失函数66
313 Logistic回归的梯度下降68
32 实现Logistic回归模型72
321 NumPy版本73
322 飞桨版本80
33 本章小结88
第4章 浅层神经网络89
41 神经网络89
411 神经网络的定义及其结构89
412 神经网络的计算91
42 BP算法96
421 逻辑回归与BP算法96
422 单样本双层神经网络的BP算法97
423 多样本神经网络的BP算法100
43 BP算法实践103
431 NumPy版本103
432 飞桨版本110
44 本章小结114
第5章 深层神经网络116
51 深层网络介绍116
511 深度影响算法能力116
512 网络演化过程与常用符号118
52 传播过程120
521 神经网络算法核心思想120
522 深层网络正向传播过程120
523 深层网络反向传播过程121
524 传播过程总结122
53 网络的参数124
54 代码实现125
541 NumPy版本125
542 飞桨版本128
55 本章小结130
第6章 卷积神经网络131
61 图像分类问题描述131
62 卷积神经网络介绍132
621 卷积层132
622 ReLU激活函数136
623 池化层137
624 Softmax分类层138
625 主要特点139
626 经典神经网络架构140
63 飞桨实现145
631 数据介绍145
632 模型概览146
633 配置说明146
64 本章小结153
第7章 循环神经网络154
71 任务描述154
72 循环神经网络介绍155
721 长短期记忆网络156
722 门控循环单元157
723 双向循环神经网络158
724 卷积循环神经网络159
73 利用飞桨实现机器翻译159
731 数据准备159
732 柱搜索 163
733 模型配置167
734 模型训练168
735 加载训练模型进行预测169
74 本章小结170
第8章 注意力机制171
81 任务描述171
82 注意力机制介绍172
821 Transformer172
822 Non-local神经网络175
823 Attention Cluster神经网络176
83 利用飞桨实现视频分类177
831 Non-local神经网络177
832 Attention Cluster183
84 本章小结195
第9章 算法优化196
91 基础知识196
911 训练、验证和测试集196
912 偏差和方差197
92 评估198
921 选定评估目标198
922 迭代过程199
923 欠拟合和过拟合199
93 调优策略199
931 降低偏差199
932 降低方差204
94 超参数调优209
941 随机搜索和网格搜索209
942 超参数范围209
943 分阶段搜索210
944 例子：对学习率的调整210
95 本章小结212
第三部分 飞桨实践篇
第10章 目标检测214
101 任务描述214
102 常见模型解析217
1021 R-CNN系列217
1022 YOLO223
1023 SSD228
103 PaddleDetection应用实践231
1031 Faster-R-CNN231
1032 YOLOv3234
104 本章小结237
第11章 图像生成238
111 任务描述238
1111 图像生成238
1112 图像–图像转换239
1113 文本–图像转换239
112 模型概览240
1121 图像生成240
1122 图像–图像241
1123 文本–图像246
113 PaddleGAN应用实践248
1131 数据准备248
1132 参数设置248
1133 网络结构定义249
1134 模型训练253
1135 模型测试 256
114 本章小结257
第12章 情感分析258
121 任务描述258
122 算法原理解析259
1221 BOW259
1222 DB-LSTM259
123 情感分析应用实践261
1231 数据集下载261
1232 配置模
