作品简介

本书不仅包含人工智能、机器学习及深度学习的基础知识,如卷积神经网络、循环神经网络、生成对抗网络等,而且也囊括了学会使用TensorFlow、PyTorch 和 Keras这三个主流的深度学习框架的最小知识量;不仅有针对相关理论的深入解释,而且也有实用的技巧,包括常见的优化技巧、使用多GPU训练、调试程序及将模型上线到生产系统中。本书同时兼顾理论和实战,使读者既能深入理解理论知识,又能把理论知识用于实战,因此本书每介绍完一个模型都会介绍其实现,读者阅读完一个模型的介绍之后就可以运行、阅读和修改相关代码,从而可以更加深刻地理解理论知识。

李理,毕业于北京大学,研究方向为自然语言处理,有十多年自然语言处理和人工智能研发经验,先后在去哪儿网、百度和出门问问等企业工作,从事过分布式爬虫、搜索引擎、广告系统,主持研发过多款智能硬件的问答和对话系统。现在是环信人工智能研发中心的VP,负责环信中文语义分析开放平台和环信智能机器人的设计与研发。目前他致力于语音识别、自然语言处理等人工智能技术在企业中的推广和落地,以提高企业服务的水平和效率。

作品目录

  • 内容简介
  • 前言
  • 第1章 人工智能的基本概念
  • 1.1 人工智能的发展历史
  • 1.2 机器学习
  • 1.3 常见的监督学习模型
  • 1.4 衡量指标
  • 1.5 损失函数
  • 1.6 优化
  • 1.7 过拟合
  • 1.8 机器学习示例:线性回归
  • 第2章 神经网络
  • 2.1 手写数字识别问题
  • 2.2 单个神经元和多层神经网络
  • 2.3 用代码实战多层神经网络
  • 2.4 多层神经网络构建代码解析
  • 2.5 反向传播算法的推导
  • 2.6 代码实现反向传播算法
  • 2.7 为什么反向传播算法是一个高效的算法
  • 2.8 优化技巧
  • 第3章 卷积神经网络
  • 3.1 卷积神经网络简介
  • 3.2 局部感知域
  • 3.3 特征映射
  • 3.4 池化
  • 3.5 构建完整的卷积神经网络
  • 3.6 填充和步长
  • 3.7 CNN 识别MNIST 手写数字
  • 3.8 CNN 模型识别CIFAR-10 图像
  • 3.9 使用残差网络识别MNIST 图像
  • 第4章 循环神经网络
  • 4.1 基本概念
  • 4.2 RNN 的扩展
  • 4.3 Word Embedding 简介
  • 4.4 姓名分类
  • 4.5 RNN 生成莎士比亚风格句子
  • 4.6 机器翻译
  • 4.7 汉语—英语翻译的批量训练
  • 第5章 生成对抗网络
  • 5.1 为什么研究生成模型
  • 5.2 生成模型的原理以及GAN 与其他生成模型的区别
  • 5.3 GAN 的原理
  • 5.4 深度卷积生成对抗网络
  • 5.5 反卷积
  • 5.6 DCGAN 实战
  • 第6章 TensorFlow
  • 6.1 TensorFlow 简介
  • 6.2 Opitimizer
  • 6.3 数据的处理和输入
  • 6.4 常见网络结构
  • 6.5 RNN 在TensorFlow 中的实现
  • 6.6 TensorBoard
  • 6.7 高层API
  • 6.8 调试
  • 6.9 TensorFlow Serving
  • 第7章 PyTorch
  • 7.1 基础知识
  • 7.2 PyTorch 神经网络简介
  • 7.3 训练一个分类器
  • 7.4 使用NumPy 实现三层神经网络
  • 7.5 使用Tensor 实现三层神经网络
  • 7.6 使用autograd 实现三层神经网络
  • 7.7 使用自定义的ReLU 函数
  • 7.8 和TensorFlow 的对比
  • 7.9 使用nn 模块实现三层神经网络
  • 7.10 使用optim 包
  • 7.11 自定义nn 模块
  • 7.12 流程控制和参数共享
  • 7.13 迁移学习示例
  • 7.14 数据的加载和预处理
  • 第8章 Keras
  • 8.1 Keras 简介
  • 8.2 Hello World
  • 8.3 Sequential API
  • 8.4 多分类
  • 8.5 两分类
  • 8.6 1D 卷积进行序列分类
  • 8.7 多层LSTM 序列分类
  • 8.8 有状态的LSTM
  • 8.9 Functional API
  • 8.10 判断两个数字是否是同一个数字
  • 8.11 图片问答
  • 8.12 视频问答
展开全部