PaddlePaddle深度學(xué)習(xí)實戰(zhàn)

定　價：￥69.00

作　者：	劉祥龍、楊晴虹、譚中意、蔣曉琳等著
出版社：	機械工業(yè)出版社
叢編項：	智能系統(tǒng)與技術(shù)叢書
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111600466	出版時間：	2018-06-01	包裝：	平裝
開本：	16開	頁數(shù)：	245	字?jǐn)?shù)：

內(nèi)容簡介

　　本書采用由簡入繁的原則撰寫而成。我們希望本書能成為一名能帶領(lǐng)讀者領(lǐng)略PaddlePaddle精妙的精神導(dǎo)游。從較為簡單的線性回歸、邏輯回歸到較為復(fù)雜的RNN數(shù)字識別、個性化推薦、云上部署等，本書結(jié)合若干實例，系統(tǒng)地介紹了PaddlePaddle的使用特點。教會讀者如何使用框架就像教會了讀者一套外功拳法。然而本書不僅關(guān)注框架本身的細(xì)節(jié)用法，還非常注重基礎(chǔ)知識和理論，目的是教會讀者內(nèi)功心法。書中既詳細(xì)描述了神經(jīng)網(wǎng)絡(luò)的各個細(xì)節(jié)，也深入講解了算法性能優(yōu)化的思路和技巧，旨在幫助讀者深入理解深度學(xué)習(xí)的精髓。本書共分為10章，每一章都包含理論介紹和對應(yīng)的代碼實現(xiàn)。

作者簡介

　　劉祥龍北航計算機學(xué)院、軟件開發(fā)環(huán)境國家重點實驗室副教授。主要研究視覺計算、深度學(xué)習(xí)、群體智能等，在國際上較系統(tǒng)地研究了多模式哈希和互補多哈希表檢索方法。近年來，參與“核高基”國家重大專項、國家自然科學(xué)基金重大專項等多個國家課題。發(fā)表CVPR、ICCV、AAAI、IJCAI、IEEETIP等人工智能、計算機視覺領(lǐng)域國際/知名會議和期刊論文40余篇。擔(dān)任SCI期刊FCS青年副主編，人工智能/多媒體會議ACMMM、AAAI和PCM等多個知名國際會議的程序委員會委員，以及IEEETIP、TNNLS、TMM等十余個國際知名期刊和會議審稿人。楊晴虹北航副教授，高級工程師。北航博士，美國南康涅狄格州立大學(xué)圖書信息科學(xué)訪問學(xué)者，美國耶魯大學(xué)技術(shù)創(chuàng)新實驗室數(shù)據(jù)分析專家。發(fā)表國際論文幾十篇，主要研究領(lǐng)域有機器學(xué)習(xí)、知識挖掘、大數(shù)據(jù)分析、項目管理和科研管理等。在機器學(xué)習(xí)、深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)等領(lǐng)域有豐富的實踐經(jīng)驗，曾主導(dǎo)和參與多個相關(guān)的項目并取得成功。譚中意百度研發(fā)工程師，負(fù)責(zé)百度開源的整體推進工作，有近20年的開發(fā)和運營經(jīng)驗。在百度多個部門工作過，現(xiàn)負(fù)責(zé)以平臺化/開源的方式提升百度內(nèi)部整體的研發(fā)效率，并包括組織開源技術(shù)委員會，對百度對外的開源進行整體的推動工作。中國開源推進聯(lián)盟（COPU）副秘書長。蔣曉琳百度公司技術(shù)管理部高級工程師，之前任職于中國信息通信研究院。曾參與主導(dǎo)超過30余項國家/行業(yè)標(biāo)準(zhǔn)，以及多項國際標(biāo)準(zhǔn)。在人工智能、云計算、大數(shù)據(jù)等領(lǐng)域參與申報和管理的國家重大專項達10余個。白浩杰北航特聘講師，美國佛羅里達國際大學(xué)高性能數(shù)據(jù)實驗室訪問學(xué)者，致力于移動對象數(shù)據(jù)庫、數(shù)據(jù)可視化、機器學(xué)習(xí)、深度學(xué)習(xí)等方向的研究。徑點科技有限公司高級工程師，尚硅谷IT教育前端教學(xué)總監(jiān)。

圖書目錄

CONTENTS
目錄
序
前言
致謝
第1章數(shù)學(xué)基礎(chǔ)與Python庫1
1.1Python是進行人工智能編程的
主要語言1
1.2數(shù)學(xué)基礎(chǔ)4
1.2.1線性代數(shù)基礎(chǔ)4
1.2.2微積分基礎(chǔ)8
1.3Python庫的操作17
1.3.1numpy操作17
1.3.2matplotlib操作23
本章小結(jié)27
第2章深度學(xué)習(xí)概論與PaddlePaddle入門28
2.1人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)29
2.1.1人工智能30
2.1.2機器學(xué)習(xí)30
2.1.3深度學(xué)習(xí)31
2.2深度學(xué)習(xí)的發(fā)展歷程32
2.2.1神經(jīng)網(wǎng)絡(luò)的第一次高潮32
2.2.2神經(jīng)網(wǎng)絡(luò)的第一次寒冬33
2.2.3神經(jīng)網(wǎng)絡(luò)的第二次高潮34
2.2.4神經(jīng)網(wǎng)絡(luò)的第二次寒冬35
2.2.5深度學(xué)習(xí)的來臨35
2.2.6深度學(xué)習(xí)崛起的時代背景36
2.3深度學(xué)習(xí)的應(yīng)用場景36
2.3.1圖像與視覺37
2.3.2語音識別37
2.3.3自然語言處理38
2.3.4個性化推薦38
2.4常見的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)39
2.4.1全連接網(wǎng)絡(luò)結(jié)構(gòu)39
2.4.2卷積神經(jīng)網(wǎng)絡(luò)40
2.4.3循環(huán)神經(jīng)網(wǎng)絡(luò)41
2.5機器學(xué)習(xí)回顧41
2.5.1線性回歸的基本概念42
2.5.2數(shù)據(jù)處理44
2.5.3模型概覽45
2.5.4效果展示46
2.6深度學(xué)習(xí)框架簡介47
2.6.1深度學(xué)習(xí)框架的作用47
2.6.2常見的深度學(xué)習(xí)框架48
2.6.3PaddlePaddle簡介49
2.6.4PaddlePaddle使用49
2.7PaddlePaddle實現(xiàn)51
本章小結(jié)60
第3章深度學(xué)習(xí)的單層網(wǎng)絡(luò)61
3.1Logistic回歸模型62
3.1.1Logistic回歸概述62
3.1.2損失函數(shù)64
3.1.3Logistic回歸的梯度下降66
3.2實現(xiàn)Logistic回歸模型71
3.2.1Python版本72
3.2.2PaddlePaddle版本81
本章小結(jié)90
第4章淺層神經(jīng)網(wǎng)絡(luò)92
4.1神經(jīng)網(wǎng)絡(luò)92
4.1.1神經(jīng)網(wǎng)絡(luò)的定義及其結(jié)構(gòu)92
4.1.2神經(jīng)網(wǎng)絡(luò)的計算94
4.2BP算法100
4.2.1邏輯回歸與BP算法101
4.2.2單樣本雙層神經(jīng)網(wǎng)絡(luò)的BP算法101
4.2.3多個樣本神經(jīng)網(wǎng)絡(luò)BP算法105
4.3BP算法實踐108
4.3.1Python版本109
4.3.2PaddlePaddle版本116
本章小結(jié)122
第5章深層神經(jīng)網(wǎng)絡(luò)123
5.1深層網(wǎng)絡(luò)介紹123
5.1.1深度影響算法能力124
5.1.2網(wǎng)絡(luò)演化過程與常用符號125
5.2傳播過程127
5.2.1神經(jīng)網(wǎng)絡(luò)算法核心思想127
5.2.2深層網(wǎng)絡(luò)前向傳播過程128
5.2.3深層網(wǎng)絡(luò)后向傳播過程129
5.2.4傳播過程總結(jié)130
5.3網(wǎng)絡(luò)的參數(shù)132
5.4代碼實現(xiàn)133
5.4.1Python版本133
5.4.2PaddlePaddle版本136
本章小結(jié)140
第6章卷積神經(jīng)網(wǎng)絡(luò)141
6.1圖像分類問題描述141
6.2卷積神經(jīng)網(wǎng)絡(luò)介紹142
6.2.1卷積層142
6.2.2ReLU激活函數(shù)147
6.2.3池化層148
6.2.4Softmax分類層149
6.2.5主要特點151
6.2.6經(jīng)典神經(jīng)網(wǎng)絡(luò)架構(gòu)152
6.3PaddlePaddle實現(xiàn)159
6.3.1數(shù)據(jù)介紹159
6.3.2模型概覽160
6.3.3配置說明160
6.3.4應(yīng)用模型168
本章小結(jié)169
第7章個性化推薦170
7.1問題描述170
7.2傳統(tǒng)推薦方法171
7.2.1基于內(nèi)容的推薦172
7.2.2協(xié)同過濾推薦173
7.2.3混合推薦175
7.3深度學(xué)習(xí)推薦方法176
7.3.1YouTube的深度神經(jīng)網(wǎng)絡(luò)推薦系統(tǒng)176
7.3.2融合推薦系統(tǒng)178
7.4個性化推薦系統(tǒng)在PaddlePaddle上的實現(xiàn)180
7.4.1數(shù)據(jù)準(zhǔn)備180
7.4.2模型配置182
7.4.3模型訓(xùn)練184
7.4.4模型測試188
本章小結(jié)188
第8章個性化推薦的分布式實現(xiàn)190
8.1PaddlePaddleCloud介紹190
8.2PaddlePaddleCloud使用192
8.2.1創(chuàng)建集群192
8.2.2配置集群192
8.2.3配置客戶端193
8.3個性化推薦在PaddlePaddleCloud上的實現(xiàn)194
8.3.1提交單節(jié)點任務(wù)194
8.3.2個性化推薦在PaddlePaddleCloud上的實現(xiàn)196
本章小結(jié)199
第9章廣告CTR預(yù)估200
9.1CTR預(yù)估簡介200
9.1.1CTR定義201
9.1.2CTR與推薦算法的異同202
9.1.3CTR預(yù)估的評價指標(biāo)202
9.2CTR預(yù)估的基本過程205
9.2.1CTR預(yù)估的三個階段206
9.2.2CTR預(yù)估中的特征預(yù)處理206
9.3CTR預(yù)估的常見模型208
9.3.1LR模型208
9.3.2GBDT模型210
9.3.3GBDT+LR模型212
9.3.4FM+DNN模型214
9.3.5MLR模型215
9.4CTR預(yù)估在工業(yè)上的實現(xiàn)217
9.5CTR預(yù)估在PaddlePaddle上的實現(xiàn)218
9.5.1數(shù)據(jù)集218
9.5.2預(yù)測模型選擇和構(gòu)建219
9.5.3PaddlePaddle完整實現(xiàn)222
本章小結(jié)226
第10章算法優(yōu)化227
10.1基礎(chǔ)知識227
10.1.1訓(xùn)練、驗證和測試集227
10.1.2偏差和方差228
10.2評估229
10.2.1選定評估目標(biāo)229
10.2.2迭代過程230
10.2.3欠擬合和過擬合230
10.3調(diào)優(yōu)策略231
10.3.1降低偏差231
10.3.2降低方差236
10.4超參數(shù)調(diào)優(yōu)242
10.4.1隨機搜索和網(wǎng)格搜索242
10.4.2超參數(shù)范圍243
10.4.3分階段搜索243
10.4.4例子：對學(xué)習(xí)率的調(diào)整244
本章小結(jié)245