新書推薦：
《
长沙走马楼西汉简牍 文字编
》
售價：HK$
1980
《
涅瓦河畔的遐思——列宾艺术特展（汉英对照）（国家博物馆“国际交流系列”丛书）
》
售價：HK$
2739
《
世界在前进
》
售價：HK$
380
《
文以载道：唐宋四大家的道论与文学
》
售價：HK$
413
《
高句丽史
》
售價：HK$
858
《
随他们去：别把精力浪费在无法掌控的事情上
》
售價：HK$
380
《
聊斋志异：2025全新插图珍藏白话版（全4册）
》
售價：HK$
2745
《
史记的文化发掘：中国早期史学的人类学探索
》
售價：HK$
930
|
| 編輯推薦： |
系统性知识体系：提供了从深度学习的基础知识到高级应用的全面介绍，构建完整的学习路径。
实践导向：通过丰富的实战案例和习题，强调将理论知识应用于实际问题的解决。
核心工具深入讲解：详细介绍了深度学习的核心工具PyTorch，包括其基础概念、安装配置及数据操作等关键技能。
图像处理技术全面覆盖：深入探讨了卷积神经网络（CNN）、风格迁移、Deep Dream、生成对抗网络（GAN）以及超分辨率技术等。
视觉系统应用：涵盖了目标检测、语义分割等视觉任务，以及区域卷积神经网络和UNet网络的结构与应用。
序列数据处理：介绍了循环神经网络（RNN）在文本情感分析中的应用，以及现代RNN的进展。
自然语言处理（NLP）：探讨了预训练模型、注意力机制和BERT模型在自然语言推断中的应用。
|
| 內容簡介： |
本书是一本全面深入的深度学习实践指导书，旨在为读者提供从基础概念到高级应用的系统性知识。
本书第1章从基础开始，介绍了PyTorch工具，涵盖了数据的加载与预处理，以及基础网络构建和训练流程。 第2章深入图像分类，探讨了CNN架构、数据增强技术，以及模型优化和部署策略。 第3章转向创造性图像应用，包括风格迁移、Deep Dream、GAN和超分辨率技术，并讨论了CycleGAN的应用。 第4章专注于视觉系统，讲解了目标检测、语义分割以及相关网络结构。 第5章和第6章分别探讨了循环神经网络在文本情感分析中的应用，以及NLP领域的预训练模型和注意力机制，包括BERT模型的实践。
全书内容丰富，结构清晰，每章均配有实战案例和习题。通过对本书的学习，读者将能够掌握深度学习的关键技术，并在实际项目中发挥其强大的应用潜力。
本书适合作为高等院校计算机、软件工程、人工智能等相关专业的教材，也可供对深度学习感兴趣的开发人员、科技工作者和研究人员参考。
|
| 目錄：
|
教学建议
第1章开始深度学习之旅
知识概括： 介绍深度学习的基础工具PyTorch，包括其核心概念、安装和环境配置和基本操作。
教学要点： 重点讲解PyTorch的安装过程，确保学生能够顺利搭建实验环境。通过实例演示数据的加载、预处理和可视化分析的基本方法。引导学生理解多层感知器（MLP）的结构和训练循环的重要性。
第2章图像分类的深度探索
知识概括： 深入探讨卷积神经网络(CNN)的架构、数据增强技术，以及微调预训练模型的方法。
教学要点： 通过图解和案例分析，帮助学生理解卷积层和池化层的工作原理。强调数据增强在提高模型泛化能力中的作用。讲解如何使用预训练模型进行迁移学习，并讨论在复杂数据集上训练的挑战。
第3章创造性图像应用
知识概括： 介绍风格迁移、Deep Dream、生成对抗网络(GAN)和超分辨率技术等图像处理的高级应用。
教学要点： 通过实例演示如何实现风格迁移和Deep Dream，使学生理解这些技术的创新之处。详细讲解GAN的生成器和判别器的工作原理，以及如何训练稳定的对抗网络。强调超分辨率技术在图像质量提升中的应用。
第4章视觉系统应用
知识概括： 介绍目标检测和语义分割的基本概念，以及区域卷积神经网络和UNet网络在视觉任务中的应用。
教学要点： 通过案例分析，讲解单发多框检测(SSD)和区域卷积神经网络的工作原理。重点介绍UNet网络的结构和在语义分割任务中的优势。
第5章循环神经网络
知识概括： 介绍循环神经网络(RNN)的基本原理和在序列数据处理中的应用。
教学要点： 通过图解和实例，讲解RNN的循环结构和在文本情感分析中的应用。强调RNN在处理时间序列数据时的优势和挑战。
第6章NLP(自然语言处理)预训练与注意力机制
知识概括： 介绍NLP中的预训练模型与注意力机制，以及BERT模型的应用。
教学要点： 讲解预训练机制在NLP中的重要性，以及注意力机制如何改善模型对文本的理解。通过案例分析，展示如何使用BERT模型进行自然语言推断。
在教学过程中，建议结合理论讲解和实践操作，鼓励学生通过编程作业和项目来巩固所学知识。每章的实战案例和习题可以作为课堂讨论和课后作业的素材，以提高学生的实践能力和解决问题的能力。
深度学习项目应用开发（微课视频版）
目录
随书资源
第1章开始深度学习之旅
1.1任务导学： 什么是深度学习
1.2PyTorch基础和设置
1.2.1什么是PyTorch
1.2.2PyTorch的安装和环境配置
1.2.3PyTorch中的基础概念
1.3数据的加载、预处理和可视化分析
1.3.1数据的加载
1.3.2数据预处理： 归一化、数据转换
1.3.3数据可视化
1.3.4实战
1.4构建和训练基础网络
1.4.1多层感知器（MLP）
1.4.2损失函数和优化器
1.4.3训练循环
1.5性能评估和改进策略
1.5.1性能评估
1.5.2正则化技术
1.5.3超参数调整
1.5.4其他策略
1.5.5实战
第2章图像分类的深度探索
2.1任务导学： 什么是图像分类
2.2探索卷积神经网络架构
2.2.1卷积层的原理和作用
2.2.2池化层
2.2.3局部感受野和权重共享的概念
2.2.4实战
2.3数据增强的实战应用
2.3.1翻转和裁剪
2.3.2改变颜色
2.3.3结合多种数据增强方式
2.4微调预训练模型和迁移学习
2.4.1微调预训练模型
2.4.2冻结和解冻网络层
2.5复杂数据集上的训练挑战和解决方案
2.5.1训练挑战
2.5.2优化算法
2.5.3批量归一化
2.5.4深度学习调试策略
2.6模型评估、调整和部署
2.6.1模型评估
2.6.2模型调整
2.6.3模型部署
第3章创造性图像应用
3.1任务导学： 什么是创造性图像应用
3.2实现风格迁移网络
3.2.1理解内容损失与风格损失
3.2.2特征提取
3.2.3迭代更新图像
3.3深入理解并实现Deep Dream
3.3.1网络激活和梯度上升
3.3.2多尺度处理技术
3.4构建生成对抗网络
3.4.1生成器和判别器
3.4.2对抗损失和训练的稳定性
3.4.3变分自编码器
3.5实战： 自动图像上色
3.5.1条件GAN的使用
3.5.2颜色空间转换
3.5.3对抗损失和训练
3.6探索超分辨率技术
3.6.1超分辨率卷积神经网络
3.6.2子像素卷积层
3.6.3损失函数的设计
3.6.4评估超分辨率模型的性能
3.7CycleGAN与非配对图像转换
3.7.1非配对图像转换
3.7.2CycleGAN
3.7.3使用CycleGAN进行非配对图像转换
第4章视觉系统应用
4.1任务导学： 什么是目标检测与语义分割
4.2任务知识
4.2.1目标检测基础
4.2.2区域卷积神经网络
4.2.3UNet网络
4.3基于SSD和RNN的目标检测
4.3.1单发多框检测
4.3.2区域卷积神经网络
4.4基于UNet网络的语义分割
第5章循环神经网络
5.1任务导学： 基于深度学习方法的文本情感分析
5.2任务知识
5.2.1循环神经网络
5.2.2现代循环神经网络
5.3文本情感分析
第6章NLP预训练与注意力机制
6.1任务导学： 什么是模型预训练与自然语言推断
6.2任务知识
6.2.1NLP预训练机制
6.2.2注意力机制
6.3预训练BERT模型
6.4基于注意力机制的自然语言推断
附录A阿尔法编程平台使用说明
|
| 內容試閱：
|
深度学习技术代表了人工智能领域的最前沿发展水平，深度学习课程不仅是高校计算机及相关专业的核心必修课程，也是其他技术领域的基础课程。随着计算能力的提升和数据量的爆炸式增长，市场对能够高效处理和分析大数据的深度学习系统的需求日益增长，各行业对深度学习理论与技术的需求也变得更加迫切。与此同时，为了适应技术发展、满足行业需求以及培养高端人才，教育领域对课程建设目标和教材内容提出了更高的要求。因此，从适应技术进步、促进专业发展和培养创新人才的角度，编写具有系统性、实用性和推广价值的深度学习的教材，进行新形势下的教材建设显得尤为必要。
本书围绕以“深度学习理论与实践”为中心的课程内容体系和以“面向产出”为理念的实验平台及案例设计两个核心内容进行编写。深度学习理论是指通过构建多层的神经网络模型，学习数据的高层抽象特征，从而实现对复杂数据模式的识别、分类和预测。在算法创新、硬件加速和大数据的共同推动下，深度学习技术历经数十年的发展，从早期的单层感知机到卷积神经网络，再到当前的循环神经网络和强化学习，逐渐形成了多样化的技术形态。在这个发展历程中，深度学习在图像识别、语音处理、自然语言理解等多个领域展现出强大的应用潜力。
因此，本书的编写以“深度学习技术”为重点，理解人工智能的理论和方法，使学习者首先掌握深度学习的基本原理知识； 其次理解并掌握理论中所描述的方法，能够根据实际应用场景，分析问题设计解决方案； 最后能够在具体的深度学习框架上实现涉及方案中的具体操作，完成理论到实践的转化。
在人才培养和专业发展的推动下，本书在编写过程中注重课程内容与毕业要求的支撑关系，并通过实验和案例强化学生解决复杂工程问题的能力，体现“面向产出”的工程教育理念。本书不仅提供了深度学习的基础知识，还涵盖了最新的研究进展和实际应用案例，旨在培养学生的创新思维和实践能力，使他们能够在未来的工作中运用深度学习技术解决实际问题，推动社会的发展和进步。
本书具有如下特点。
(1) 体系以“深度学习”为核心，既保留了经典的机器学习理论，又融入了深度学习技术发展的新知识。本书不仅系统、全面地介绍了深度学习的基本原理和关键技术，还特别关注了最新研究成果和技术趋势的整合，确保读者能够掌握最前沿的深度学习理论和方法。
(2) 本书可作为教材使用，理论内容、实验及案例设计均以“面向产出”的教育理念为中心，建立了内容与毕业要求及课程目标的对应关系。通过精心设计的实验和案例，本书旨在培养学生的实际动手能力和解决复杂问题的能力，使他们能够在未来的工作中有效地应用深度学习技术。
(3) 突出深度学习理论与实践的紧密结合，结合应用案例及软件环境，强化实践能力的训练。本书选用了广泛使用的深度学习框架，如PyTorch和OpenCV，这些框架因其强大的功能、灵活性和开源社区支持而受到业界和学术界的推崇。书中各章节内容都结合了这些框架的具体应用，旨在提供实际操作的经验和技巧，同时强化解决实际问题的能力。
(4) 案例设计选取了实际深度学习应用系统的开发流程，以需求分析、模型设计、训练与优化为重点，侧重于对深度学习工具的理解和使用、对模型设计方案的分析与评价两方面的能力训练。通过这些案例，读者可以深入了解深度学习项目从概念到实现的全过程，提升项目管理和实施的能力。
本书的内容结构经过精心设计，共分为6章，每章都围绕一个核心主题展开。第1章“开始深度学习之旅”介绍了深度学习的基础工具PyTorch，并详细阐述了数据的加载、预处理和可视化分析等基本技能。第2章“图像分类的深度探索”深入探讨了卷积神经网络(CNN)的架构和应用，以及数据增强和微调预训练模型的技巧。第3章“创造性图像应用”涵盖了风格迁移、Deep Dream、生成对抗网络(GAN)等前沿技术，展示了深度学习在图像处理领域的创新应用。第4章“视觉系统应用”聚焦目标检测与语义分割等视觉任务，展示了深度学习在视觉领域的强大能力。第5章“循环神经网络”和第6章“NLP预训练与注意力机制”分别介绍了深度学习在序列数据处理和自然语言处理中的应用，进一步拓宽了深度学习的应用视野。
在本书的编写过程中，特别强调了深度学习技术的背景和应用的重要性。深度学习技术的发展背景是多学科交叉融合的产物，它结合了计算机科学、统计学、神经科学等多个领域的最新研究成果。其应用的重要性体现在能够处理和分析大规模数据集，解决传统算法难以克服的问题，从而在提高决策效率、优化业务流程、增强用户体验等方面发挥关键作用。此外，深度学习技术还在不断进化，新的模型、算法和框架层出不穷，为各行各业提供了强大的技术支持和创新动力。
本书适合对深度学习感兴趣的学生、研究人员以及工程技术人员阅读。无论是初学者还是有一定基础的开发者，本书均能提供宝贵的知识和实战经验。通过阅读本书，读者将能够更深入地理解深度学习的原理，掌握其核心技术，并在实际工作中发挥其强大的力量。
在本书的编写过程中，作者参考了众多优秀的深度学习教材和最新的研究成果。在此，对所有为深度学习领域做出贡献的学者和实践者表示衷心的感谢。同时，也欢迎读者提出宝贵的意见和建议，共同推动深度学习技术的发展。希望本书能够成为深度学习之旅的良师益友，助力人们在人工智能的浪潮中乘风破浪，不断探索和创新。
由于作者水平有限，书中难免会存在缺点和错误，敬请读者及各位专家指教。
作者
2024年3月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
