热搜关键词: MATLAB天线OpenCVVHDL

pdf

Python_深度学习实战:75个有关神经网络建模、强化学习与迁移

  • 1星
  • 2022-06-30
  • 43.29MB
  • 需要1积分
  • 3次下载
  • favicon收藏
  • rep举报
  • free评论
标签: python

python

深度学习

深度学习

神经网络

神经网络

深度学习正在为广泛的行业带来革命性的变化。对于许多应用来说,深度学习通过做出更快和更准确的预测,证明其已经超越人类的预测。本书提供了自上而下和自下而上的方法来展示深度学习对不同领域现实问题的解决方案。这些应用程序包括计算机视觉、自然语言处理、时间序列预测和机器人。

本书主要内容:

第  1章 编程环境、  GPU计算、云解决方案和深度学习框架 主要包括与环境和  GPU计算相关的信息和方案。对于在不同平台上设置环境有问题的读者来说,这是一个必读内容。

第  2章 前馈神经网络 提供了与前馈神经网络有关的一系列方法,并作为其他章节的基础。本章的重点是为不同网络拓扑常见的实现问题提供解决方案。

第  3章 卷积神经网络 着重介绍卷积神经网络及其在计算机视觉中的应用。它提供了有关  CNN中使用的技术和优化方法。

第  4章 递归神经网络 提供了一系列与递归神经网络相关的方法,包括  LSTM(长短期记忆)网络和  GRU(门控递归神经元)。本章的重点是为循环神经网络的常见的实现问题提供解决方案。

第  5章 强化学习 涵盖强化学习神经网络的各种方法。本章介绍了在单智能体环境中深度强化学习的概念。

第  6章 生成对抗网络 提供了与无监督学习问题相关的一系列方法,这包括图像生成和超分辨率的生成对抗网络。

第  7章 计算机视觉 包含图像编码相关的数据处理方法,如视频帧。将提供使用  Python处理图像数据的经典技术,以及用于图像检测、分类和分割的最佳解决方案。

第  8章 自然语言处理 涵盖与文本数据处理相关的方法,包括与文本特征表示和处理相关的方法,包括文字嵌入和文本数据存储。

第  9章 语音识别和视频分析 涵盖与流数据处理相关的方法,这包括音频、视频和帧序列。

第  10章 时间序列和结构化数据 提供与数字运算相关的方法,这包括序列和时间序列。

第  11章 游戏智能体和机器人 专注于最先进的深度学习研究应用,这包括与多智能体环境(模拟)和自主车辆中游戏智能体相关的方法。

第  12章 超参数选择、调优和神经网络学习 阐述了神经网络学习过程涉及的方方面面。本章的总体目标是提供非常简洁和具体的技巧来提升网络性能。

第  13章 网络内部构造 介绍了一个神经网络的内部构造,这包括张量分解、权重初始化、拓扑存储、瓶颈特征和相应的嵌入。

第  14章 预训练模型 涵盖了流行的深度学习模型,如  VGG-16和  Inception  V4。

学习本书所需的准备工作:

本书专注于  AI(人工智能)的  Python实现,而不是  Python本身。本书使用  Python  3来构建各种应用程序,专注于如何以最好的方式利用各种  Python库来构建真实世界的应用程序。本着这样的精神,尽力使所有的代码尽可能无误易懂,这将使读者能够轻松理解代码,并在不同的场景中使用它。

本书目录:

译者序

原书前言

第  1章 编程环境、GPU计算、云解决方案和深度学习框架  //1

1.1 简介  //1

1.2 搭建一个深度学习环境  //2

1.3 在  AWS上启动实例  //2

1.4 在  GCP上启动实例  //3

1.5 安装  CUDA和  cuDNN  //4

1.6 安装  Anaconda和库文件  //6

1.7 连接服务器上的  Jupyter  Notebooks  //7

1.8 用  TensorFlow构建最先进的即用模型  //8

1.9 直观地用  Keras建立网络  //10

1.10 使用  PyTorch的  RNN动态计算图  //12

1.11 用  CNTK实现高性能模型  //14

1.12 使用  MXNet构建高效的模型  //15

1.13 使用简单、高效的  Gluon编码定义网络  //17

第  2章 前馈神经网络  //19

2.1 简介  //19

2.2 理解感知器  //19

2.3 实现一个单层神经网络  //23

2.4 构建一个多层神经网络  //27

2.5 开始使用激活函数  //30

2.6 关于隐层和隐层神经元的实验  //35

2.7 实现一个自动编码器  //38

2.8 调整损失函数  //41

2.9 测试不同的优化器  //44

2.10 使用正则化技术提高泛化能力  //47

2.11 添加  Dropout以防止过拟合  //51

第  3章 卷积神经网络  //56

3.1 简介  //56

3.2 开始使用滤波器和参数共享  //56

3.3 应用层合并技术  //60

3.4 使用批量标准化进行优化  //62

3.5 理解填充和步长  //66

3.6 试验不同类型的初始化  //72

3.7 实现卷积自动编码器  //76

3.8 将一维  CNN应用于文本  //79

第  4章 递归神经网络  //81

4.1 简介  //81

4.2 实现一个简单的  RNN  //82

4.3 添加  LSTM  //84

4.4 使用  GRU  //86

4.5 实现双向  RNN  //89

4.6 字符级文本生成  //91

第  5章 强化学习  //95

5.1 简介  //95

5.2 实现策略梯度  //95

5.3 实现深度Q学习算法  //102

第  6章 生成对抗网络  //109

6.1 简介  //109

6.2 了解  GAN  //109

6.3 实现  DCGAN  //112

6.4 使用  SRGAN来提高图像分辨率  //117

第  7章 计算机视觉  //125

7.1 简介  //125

7.2 利用计算机视觉技术增广图像  //125

7.3 图像中的目标分类  //130

7.4 目标在图像中的本地化  //134

7.5 实时检测框架  //139

7.6 用  U-net将图像分类  //139

7.7 语义分割与场景理解  //143

7.8 寻找人脸面部关键点  //147

7.9 人脸识别  //151

7.10 将样式转换为图像  //157

第  8章 自然语言处理  //162

8.1 简介  //162

8.2 情绪分析  //162

8.3 句子翻译  //165

8.4 文本摘要  //169

第  9章 语音识别和视频分析  //174

9.1 简介  //174

9.2 从零开始实现语音识别流程  //174

9.3 使用语音识别技术辨别讲话人  //177

9.4 使用深度学习理解视频  //181

第  10章 时间序列和结构化数据  //185

10.1 简介  //185

10.2 使用神经网络预测股票价格  //185

10.3 预测共享单车需求  //189

10.4 使用浅层神经网络进行二元分类  //192

第  11章 游戏智能体和机器人  //194

11.1 简介  //194

11.2 通过端到端学习来驾驶汽车  //194

11.3 通过深度强化学习来玩游戏  //199

11.4 用  GA优化超参数  //205

第  12章 超参数选择、调优和神经网络学习  //211

12.1 简介  //211

12.2 用  TensorBoard和  Keras可视化训练过程  //211

12.3 使用批量和小批量工作  //215

12.4 使用网格搜索调整参数  //219

12.5 学习率和学习率调度  //221

12.6 比较优化器  //224

12.7 确定网络的深度  //227

12.8 添加  Dropout以防止过拟合  //227

12.9 通过数据增广使模型更加鲁棒  //232

12.10 利用  TTA来提高精度  //234

第  13章 网络内部构造  //235

13.1 简介  //235

13.2 用  TensorBoard可视化训练过程  //235

13.3 用  TensorBoard可视化网络结构  //239

13.4 分析网络权重等  //239

13.5 冻结层  //244

13.6 存储网络结构并训练权重  //246

第  14章 预训练模型  //250

14.1 简介  //250

14.2 使用  GoogLeNet/Inception进行大规模视觉识别  //250

14.3 用  ResNet提取瓶颈特征  //252

14.4 对新类别使用预训练的  VGG模型  //253

14.5 用  Xception细调  //256

推荐帖子 最新更新时间:2022-08-11 22:21

为何对流量计采用超声波检测?
超声波检测使用超声波在任何液体或气体介质中的飞行时间 (TOF) 及其对流速的依赖性来测量和计算体积流量。该技术利用超声波在流动方向和逆流方向上传播时的传播时间的差异。该技术在测量宽动态范围内的体积流量时可靠且精确。     MSP430 超声波检测 SoC 有助于实现独特的基于波形捕获的技术,其中针对上游和下游条件在时域中捕获传感器的整个响应。对这些波形进行后处理可确定差分飞行时间 (TO
Aguilera 微控制器 MCU
关于12864显示屏不显示的问题
12864的屏 ,接法是串行的。是cs5463-12864的程序,但程序烧好啊,屏什么都不显示,这是什么情况。下面是我的程序。                                     //头文件 #include #include #include #define uint  unsigned int #define uchar unsigned char typ
2896100272 51单片机
迅为3399开发板Linux固件编译-Ubuntu16系统编译
1 获取 Ubuntu 源码 Ubuntu、Linuxqt 和 debian 系统共用一套源码,获取 Ubuntu 源码具体参考“13.1.1 章节 获取 Linux 源 码”。 2 安装 Ubuntu 源码依赖包 如果您使用的是搭建好编译环境的 Ubuntu16.04 虚拟机镜像,Ubuntu 源码依赖包已经安装好了,不必重复安装。 使用如下命令安装所需的软件包: 1、sudo ap
遥寄山川 ARM技术
关于MAX32630FTHR设计大赛作品提交事宜
大赛详情:点击进入>>将想法变成现实,Maxim MAX32630FTHR创意设计大赛,重磅开启! 6月27日-9月26日,为网友作品制作和过程分享环节。鉴于大家进度各有不同,在这里特别说明一下本次大赛需要提交的相关材料。同时为了让大家更好地展现作品以及方便其他网友、评委查看大家作品内容,需要参与本次大赛的网友根据以下说明进行作品的提交。 在本版块(MAX32630FTHR设计大赛专区)发帖
橙色凯 MAX32630FTHR设计大赛
【转帖】电容的检测方法
本帖最后由 Ameya360皇华 于 2017-8-28 17:22 编辑 固定电容器的检测检测10pF以下的小电容 因10pF以下的固定电容器容量太小,用万用表进行测量,只能定性的检查其是否有漏电,内部短路或击穿现象。测量时,可选用万用表R×10k挡,用两表笔分别任意接电容的两个引脚,阻值应为无穷大。若测出阻值(指针向右摆动)为零,则说明电容漏电损坏或内部击穿。B?检测10PF~0?01μ
Ameya360皇华 综合技术交流
基于ADC0832的数字电压表
#include    //包含单片机寄存器的头文件 #include  //包含_nop_()函数定义的头文件 //ADC0832端口引脚定义 sbit CS=P3^0;       //将CS位定义为P3.4引脚 sbit CLK=P3^6;      //将CLK位定义为P1.0引脚 sbit DIO=P3^7;       //将DIO位定义为P1.1引脚 //全局变量声明
灞波儿奔 微控制器 MCU

评论

登录/注册

意见反馈

求资源

回顶部
查找数据手册?

EEWorld Datasheet 技术支持

热门活动

相关视频

可能感兴趣器件

About Us 关于我们 客户服务 联系方式 器件索引 网站地图 最新更新 手机版 版权声明

北京市海淀区知春路23号集成电路设计园量子银座1305 电话:(010)82350740 邮编:100191

电子工程世界版权所有 京B2-20211791 京ICP备10001474号-1 电信业务审批[2006]字第258号函 京公网安备 11010802033920号 Copyright © 2005-2022 EEWORLD.com.cn, Inc. All rights reserved
×