编辑推荐
本书从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。
内容简介
本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本质，学习模型优化方法。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，都能从本书中获益。
作者简介
作者刘岩，澳门大学计算机科学专业硕士，目前就职于京东零售-技术与数据中心。在学生期间从事人工智能相关研究，发表多篇计算机视觉、自然语言处理等方向的专利和学术论文。毕业后从事深度学习相关工作，擅长前沿人工智能算法的原理分析和应用落地，擅长计算机视觉、自然语言处理等方向的技术。
先后参与并负责了多个深度学习算法在不同场景的业务落地，如光学字符识别、公式识别、人脸识别、手势识别、视频抠像、文本分类 命名实体识别、预训练语言模型、语音识别、图神经网络等。目前主要负责电商场景下预训练语言模型的研发以及舆情风险的智能识别与治理。
章节目录
版权信息
内容提要
序1
序2
前言
资源与支持
第一篇 卷积神经网络
第1章 基础骨干网络
1.1 起源：LeNet-5和AlexNet
1.2 更深：VGG
1.3 更宽：GoogLeNet
1.4 跳跃连接：ResNet
1.5 注意力：SENet
1.6 更密：DenseNet
1.7 模型集成：DPN
1.8 像素向量：iGPT
1.9 Visual Transformer之Swin Transformer
1.10 Vision Transformer之CSWin Transformer
1.11 MLP? :MLP-Mixer
第2章 轻量级CNN
2.1 SqueezeNet
2.2 MobileNet v1和MobileNet v2
2.3 Xception
2.4 ResNeXt
2.5 ShuffleNet v1和ShuffleNet v2
2.6 CondenseNet
第3章 模型架构搜索
3.1 PolyNet
3.2 NAS
3.3 NASNet
3.4 PNASNet
3.5 AmoebaNet
3.6 MnasNet
3.7 MobileNet v3
3.8 EfficientNet v1
3.9 EfficientNet v2
3.10 RegNet
第二篇 自然语言处理
第4章 基础序列模型
4.1 LSTM和GRU
4.2 注意力机制
4.3 Transformer
4.4 Transformer-XL
第5章 模型预训练
5.1 RNN语言模型
5.2 ELMo
5.3 GPT-1、GPT-2和GPT-3
5.4 BERT
5.5 BERT“魔改”之RoBERTa、ALBERT、MT-DNN和XLM
5.6 XLNet
5.7 ERNIE（清华大学）
5.8 ERNIE（百度）和ERNIE 2.0
第三篇 模型优化
第6章 模型优化方法
6.1 Dropout
6.2 BN
6.3 LN
6.4 WN
6.5 IN
6.6 GN
6.7 SN
深度学习高手笔记·卷1：基础算法是2022年由人民邮电出版社出版,作者刘岩。
得书感谢您对《深度学习高手笔记·卷1：基础算法》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
