本书以PyTorch深度学习的常用技术与真实案例相结合的方式，深入浅出地介绍使用PyTorch实现深度学习应用的重要内容。本书共7章，内容包括深度学习概述、PyTorch深度学习通用流程、PyTorch深度学习基础、手写汉字识别、文本生成、基于CycleGAN的图像风格转换、基于TipDM大数据挖掘建模平台实现文本生成等。本书大部分章包含实训和课后习题，希望通过练习和操作实践，帮助读者巩固所学的内
电子书
内容简介
本书是《动手学深度学习》的重磅升级版本，选用经典的PyTorch深度学习框架，旨在向读者交付更为便捷的有关深度学习的交互式学习体验。 本书重新修订《动手学深度学习》的所有内容，并针对技术的发展，新增注意力机制、预训练等内容。本书包含15章，第一部分介绍深度学习的基础知识和预备知识，并由线性模型引出最简单的神经网络——多层感知机；第二部分阐述深度学习计算的关键组件、卷积神经网络、循环神经网络、注意力机制等大多数现代深度学习应用背后的基本工具；第三部分讨论深度学习中常用的优化算法和影响深度学习计算性能的重要因素，并分别列举深度学习在计算机视觉和自然语言处理中的重要应用。 本书同时覆盖深度学习的方法和实践，主要面向在校大学生、技术人员和研究人员。阅读本书需要读者了解基本的Python编程知识及预备知识中描述的线性代数、微分和概率等基础知识。
章节目录
- fy
- 对本书的赞誉
- 前 言
- 译者简介
- 学习环境配置
- 资源与支持
- 主要符号表
- 目 录
- 第1章 引言
- 1.1 日常生活中的机器学习
- 1.2 机器学习中的关键组件
- 1.2.1 数据
- 1.2.2 模型
- 1.2.3 目标函数
- 1.2.4 优化算法
- 1.3 各种机器学习问题
- 1.3.1 监督学习
- 1.3.2 无监督学习
- 1.3.3 与环境互动
- 1.3.4 强化学习
- 1.4 起源
- 1.5 深度学习的发展
- 1.6 深度学习的成功案例
- 1.7 特点
- 第2章 预备知识
- 2.1 数据操作
- 2.1.1 入门
- 2.1.2 运算符
- 2.1.3 广播机制
- 2.1.4 索引和切片
- 2.1.5 节省内存
- 2.1.6 转换为其他Python对象
- 2.2 数据预处理
- 2.2.1 读取数据集
- 2.2.2 处理缺失值
- 2.2.3 转换为张量格式
- 2.3 线性代数
- 2.3.1 标量
- 2.3.2 向量
- 2.3.3 矩阵
- 2.3.4 张量
- 2.3.5 张量算法的基本性质
- 2.3.6 降维
- 2.3.7 点积
- 2.3.8 矩阵-向量积
- 2.3.9 矩阵-矩阵乘法
- 2.3.10 范数
- 2.3.11 关于线性代数的更多信息
- 2.4 微积分
- 2.4.1 导数和微分
- 2.4.2 偏导数
- 2.4.3 梯度
- 2.4.4 链式法则
- 2.5 自动微分
- 2.5.1 一个简单的例子
- 2.5.2 非标量变量的反向传播
- 2.5.3 分离计算
- 2.5.4 Python控制流的梯度计算
- 2.6 概率
- 2.6.1 基本概率论
- 2.6.2 处理多个随机变量
- 2.6.3 期望和方差
- 2.7 查阅文档
- 2.7.1 查找模块中的所有函数和类
- 2.7.2 查找特定函数和类的用法
- 第3章 线性神经网络
- 3.1 线性回归
- 3.1.1 线性回归的基本元素
- 3.1.2 向量化加速
- 3.1.3 正态分布与平方损失
- 3.1.4 从线性回归到深度网络
- 3.2 线性回归的从零开始实现
- 3.2.1 生成数据集
- 3.2.2 读取数据集
- 3.2.3 初始化模型参数
- 3.2.4 定义模型
- 3.2.5 定义损失函数
- 3.2.6 定义优化算法
- 3.2.7 训练
- 3.3 线性回归的简洁实现
- 3.3.1 生成数据集
- 3.3.2 读取数据集
- 3.3.3 定义模型
- 3.3.4 初始化模型参数
- 3.3.5 定义损失函数
- 3.3.6 定义优化算法
- 3.3.7 训练
- 3.4 softmax回归
- 3.4.1 分类问题
- 3.4.2 网络架构
- 3.4.3 全连接层的参数开销
- 3.4.4 softmax运算
- 3.4.5 小批量样本的向量化
- 3.4.6 损失函数
- 3.4.7 信息论基础
- 3.4.8 模型预测和评估
- 3.5 图像分类数据集
- 3.5.1 读取数据集
- 3.5.2 读取小批量
- 3.5.3 整合所有组件
- 3.6 softmax回归的从零开始实现
- 3.6.1 初始化模型参数
- 3.6.2 定义softmax操作
- 3.6.3 定义模型
- 3.6.4 定义损失函数
- 3.6.5 分类精度
- 3.6.6 训练
- 3.6.7 预测
- 3.7 softmax回归的简洁实现
- 3.7.1 初始化模型参数
- 3.7.2 重新审视softmax的实现
- 3.7.3 优化算法
- 3.7.4 训练
- 第4章 多层感知机
- 4.1 多层感知机
- 4.1.1 隐藏层
- 4.1.2 激活函数
- 4.2 多层感知机的从零开始实现
- 4.2.1 初始化模型参数
- 4.2.2 激活函数
- 4.2.3 模型
- 4.2.4 损失函数
- 4.2.5 训练
- 4.3 多层感知机的简洁实现
- 模型
- 4.4 模型选择、欠拟合和过拟合
- 4.4.1 训练误差和泛化误差
- 4.4.2 模型选择
- 4.4.3 欠拟合还是过拟合
- 4.4.4 多项式回归
- 4.5 权重衰减
- 4.5.1 范数与权重衰减
- 4.5.2 高维线性回归
- 4.5.3 从零开始实现
- 4.5.4 简洁实现
- 4.6 暂退法
- 4.6.1 重新审视过拟合
- 4.6.2 扰动的稳健性
- 4.6.3 实践中的暂退法
- 4.6.4 从零开始实现
- 4.6.5 简洁实现
- 4.7 前向传播、反向传播和计算图
- 4.7.1 前向传播
- 4.7.2 前向传播计算图
- 4.7.3 反向传播
- 4.7.4 训练神经网络
- 4.8 数值稳定性和模型初始化
- 4.8.1 梯度消失和梯度爆炸
- 4.8.2 参数初始化
- 4.9 环境和分布偏移
- 4.9.1 分布偏移的类型
- 4.9.2 分布偏移示例
- 4.9.3 分布偏移纠正
- 4.9.4 学习问题的分类法
- 4.9.5 机器学习中的公平、责任和透明度
- 4.10 实战Kaggle比赛：预测房价
- 4.10.1 下载和缓存数据集
- 4.10.2 Kaggle
- 4.10.3 访问和读取数据集
- 4.10.4 数据预处理
- 4.10.5 训练
- 4.10.6 K折交叉验证
- 4.10.7 模型选择
- 4.10.8 提交Kaggle预测
- 第5章 深度学习计算
- 5.1 层和块
- 5.1.1 自定义块
- 5.1.2 顺序块
- 5.1.3 在前向传播函数中执行代码
- 5.1.4 效率
- 5.2 参数管理
- 5.2.1 参数访问
- 5.2.2 参数初始化
- 5.2.3 参数绑定
- 5.3 延后初始化
- 实例化网络
- 5.4 自定义层
- 5.4.1 不带参数的层
- 5.4.2 带参数的层
- 5.5 读写文件
- 5.5.1 加载和保存张量
- 5.5.2 加载和保存模型参数
- 5.6 GPU
- 5.6.1 计算设备
- 5.6.2 张量与GPU
- 5.6.3 神经网络与GPU
- 第6章 卷积神经网络
- 6.1 从全连接层到卷积
- 6.1.1 不变性
- 6.1.2 多层感知机的限制
- 6.1.3 卷积
- 6.1.4 “沃尔多在哪里”回顾
- 6.2 图像卷积
- 6.2.1 互相关运算
- 6.2.2 卷积层
- 6.2.3 图像中目标的边缘检测
- 6.2.4 学习卷积核
- 6.2.5 互相关和卷积
- 6.2.6 特征映射和感受野
- 6.3 填充和步幅
- 6.3.1 填充
- 6.3.2 步幅
- 6.4 多输入多输出通道
- 6.4.1 多输入通道
- 6.4.2 多输出通道
- 6.4.3 1×1卷积层
- 6.5 汇聚层
- 6.5.1 最大汇聚和平均汇聚
- 6.5.2 填充和步幅
- 6.5.3 多个通道
- 6.6 卷积神经网络（LeNet）
- 6.6.1 LeNet
- 6.6.2 模型训练
- 第7章 现代卷积神经网络
- 7.1 深度卷积神经网络（AlexNet）
- 7.1.1 学习表征
- 7.1.2 AlexNet
- 7.1.3 读取数据集
- 7.1.4 训练AlexNet
- 7.2 使用块的网络（VGG）
- 7.2.1 VGG块
- 7.2.2 VGG网络
- 7.2.3 训练模型
- 7.3 网络中的网络（NiN）
- 7.3.1 NiN块
- 7.3.2 NiN模型
- 7.3.3 训练模型
- 7.4 含并行连接的网络（GoogLeNet）
- 7.4.1 Inception块
- 7.4.2 GoogLeNet模型
- 7.4.3 训练模型
- 7.5 批量规范化
- 7.5.1 训练深层网络
- 7.5.2 批量规范化层
- 7.5.3 从零实现
- 7.5.4 使用批量规范化层的 LeNet
- 7.5.5 简明实现
- 7.5.6 争议
- 7.6 残差网络（ResNet）
- 7.6.1 函数类
- 7.6.2 残差块
- 7.6.3 ResNet模型
- 7.6.4 训练模型
- 7.7 稠密连接网络（DenseNet）
- 7.7.1 从ResNet到DenseNet
- 7.7.2 稠密块体
- 7.7.3 过渡层
- 7.7.4 DenseNet模型
- 7.7.5 训练模型
- 第8章 循环神经网络
- 8.1 序列模型
- 8.1.1 统计工具
- 8.1.2 训练
- 8.1.3 预测
- 8.2 文本预处理
- 8.2.1 读取数据集
- 8.2.2 词元化
- 8.2.3 词表
- 8.2.4 整合所有功能
- 8.3 语言模型和数据集
- 8.3.1 学习语言模型
- 8.3.2 马尔可夫模型与n元语法
- 8.3.3 自然语言统计
- 8.3.4 读取长序列数据
- 8.4 循环神经网络
- 8.4.1 无隐状态的神经网络
- 8.4.2 有隐状态的循环神经网络
- 8.4.3 基于循环神经网络的字符级语言模型
- 8.4.4 困惑度
- 8.5 循环神经网络的从零开始实现
- 8.5.1 独热编码
- 8.5.2 初始化模型参数
- 8.5.3 循环神经网络模型
- 8.5.4 预测
- 8.5.5 梯度截断
- 8.5.6 训练
- 8.6 循环神经网络的简洁实现
- 8.6.1 定义模型
- 8.6.2 训练与预测
- 8.7 通过时间反向传播
- 8.7.1 循环神经网络的梯度分析
- 8.7.2 通过时间反向传播的细节
- 第9章 现代循环神经网络
- 9.1 门控循环单元（GRU）
- 9.1.1 门控隐状态
- 9.1.2 从零开始实现
- 9.1.3 简洁实现
- 9.2 长短期记忆网络（LSTM）
- 9.2.1 门控记忆元
- 9.2.2 从零开始实现
- 9.2.3 简洁实现
- 9.3 深度循环神经网络
- 9.3.1 函数依赖关系
- 9.3.2 简洁实现
- 9.3.3 训练与预测
- 9.4 双向循环神经网络
- 9.4.1 隐马尔可夫模型中的动态规划
- 9.4.2 双向模型
- 9.4.3 双向循环神经网络的错误应用
- 9.5 机器翻译与数据集
- 9.5.1 下载和预处理数据集
- 9.5.2 词元化
- 9.5.3 词表
- 9.5.4 加载数据集
- 9.5.5 训练模型
- 9.6 编码器-解码器架构
- 9.6.1 编码器
- 9.6.2 解码器
- 9.6.3 合并编码器和解码器
- 9.7 序列到序列学习（seq2seq）
- 9.7.1 编码器
- 9.7.2 解码器
- 9.7.3 损失函数
- 9.7.4 训练
- 9.7.5 预测
- 9.7.6 预测序列的评估
- 9.8 束搜索
- 9.8.1 贪心搜索
- 9.8.2 穷举搜索
- 9.8.3 束搜索
- 第10章 注意力机制
- 10.1 注意力提示
- 10.1.1 生物学中的注意力提示
- 10.1.2 查询、键和值
- 10.1.3 注意力的可视化
- 10.2 注意力汇聚：Nadaraya-Watson 核回归
- 10.2.1 生成数据集
- 10.2.2 平均汇聚
- 10.2.3 非参数注意力汇聚
- 10.2.4 带参数注意力汇聚
- 10.3 注意力评分函数
- 10.3.1 掩蔽softmax操作
- 10.3.2 加性注意力
- 10.3.3 缩放点积注意力
- 10.4 Bahdanau 注意力
- 10.4.1 模型
- 10.4.2 定义注意力解码器
- 10.4.3 训练
- 10.5 多头注意力
- 10.5.1 模型
- 10.5.2 实现
- 10.6 自注意力和位置编码
- 10.6.1 自注意力
- 10.6.2 比较卷积神经网络、循环神经网络和自注意力
- 10.6.3 位置编码
- 10.7 Transformer
- 10.7.1 模型
- 10.7.2 基于位置的前馈网络
- 10.7.3 残差连接和层规范化
- 10.7.4 编码器
- 10.7.5 解码器
- 10.7.6 训练
- 第11章 优化算法
- 11.1 优化和深度学习
- 11.1.1 优化的目标
- 11.1.2 深度学习中的优化挑战
- 11.2 凸性
- 11.2.1 定义
- 11.2.2 性质
- 11.2.3 约束
- 11.3 梯度下降
- 11.3.1 一维梯度下降
- 11.3.2 多元梯度下降
- 11.3.3 自适应方法
- 11.4 随机梯度下降
- 11.4.1 随机梯度更新
- 11.4.2 动态学习率
- 11.4.3 凸目标的收敛性分析
- 11.4.4 随机梯度和有限样本
- 11.5 小批量随机梯度下降
- 11.5.1 向量化和缓存
- 11.5.2 小批量
- 11.5.3 读取数据集
- 11.5.4 从零开始实现
- 11.5.5 简洁实现
- 11.6 动量法
- 11.6.1 基础
- 11.6.2 实际实验
- 11.6.3 理论分析
- 11.7 AdaGrad算法
- 11.7.1 稀疏特征和学习率
- 11.7.2 预处理
- 11.7.3 算法
- 11.7.4 从零开始实现
- 11.7.5 简洁实现
- 11.8 RMSProp算法
- 11.8.1 算法
- 11.8.2 从零开始实现
- 11.8.3 简洁实现
- 11.9 Adadelta算法
- 11.9.1 算法
- 11.9.2 实现
- 11.10 Adam算法
- 11.10.1 算法
- 11.10.2 实现
- 11.10.3 Yogi
- 11.11 学习率调度器
- 11.11.1 一个简单的问题
- 11.11.2 学习率调度器
- 11.11.3 策略
- 第12章 计算性能
- 12.1 编译器和解释器
- 12.1.1 符号式编程
- 12.1.2 混合式编程
- 12.1.3 Sequential的混合式编程
- 12.2 异步计算
- 通过后端异步处理
- 12.3 自动并行
- 12.3.1 基于GPU的并行计算
- 12.3.2 并行计算与通信
- 12.4 硬件
- 12.4.1 计算机
- 12.4.2 内存
- 12.4.3 存储器
- 12.4.4 CPU
- 12.4.5 GPU和其他加速卡
- 12.4.6 网络和总线
- 12.4.7 更多延迟
- 12.5 多GPU训练
- 12.5.1 问题拆分
- 12.5.2 数据并行性
- 12.5.3 简单网络
- 12.5.4 数据同步
- 12.5.5 数据分发
- 12.5.6 训练
- 12.6 多GPU的简洁实现
- 12.6.1 简单网络
- 12.6.2 网络初始化
- 12.6.3 训练
- 12.7 参数服务器
- 12.7.1 数据并行训练
- 12.7.2 环同步（ring synchronization）
- 12.7.3 多机训练
- 12.7.4 键-值存储
- 第13章 计算机视觉
- 13.1 图像增广
- 13.1.1 常用的图像增广方法
- 13.1.2 使用图像增广进行训练
- 13.2 微调
- 13.2.1 步骤
- 13.2.2 热狗识别
- 13.3 目标检测和边界框
- 边界框
- 13.4 锚框
- 13.4.1 生成多个锚框
- 13.4.2 交并比（IoU）
- 13.4.3 在训练数据中标注锚框
- 13.4.4 使用非极大值抑制预测边界框
- 13.5 多尺度目标检测
- 13.5.1 多尺度锚框
- 13.5.2 多尺度检测
- 13.6 目标检测数据集
- 13.6.1 下载数据集
- 13.6.2 读取数据集
- 13.6.3 演示
- 13.7 单发多框检测（SSD）
- 13.7.1 模型
- 13.7.2 训练模型
- 13.7.3 预测目标
- 13.8 区域卷积神经网络（R-CNN）系列
- 13.8.1 R-CNN
- 13.8.2 Fast R-CNN
- 13.8.3 Faster R-CNN
- 13.8.4 Mask R-CNN
- 13.9 语义分割和数据集
- 13.9.1 图像分割和实例分割
- 13.9.2 Pascal VOC2012 语义分割数据集
- 13.10 转置卷积
- 13.10.1 基本操作
- 13.10.2 填充、步幅和多通道
- 13.10.3 与矩阵变换的联系
- 13.11 全卷积网络
- 13.11.1 构建模型
- 13.11.2 初始化转置卷积层
- 13.11.3 读取数据集
- 13.11.4 训练
- 13.11.5 预测
- 13.12 风格迁移
- 13.12.1 方法
- 13.12.2 阅读内容和风格图像
- 13.12.3 预处理和后处理
- 13.12.4 提取图像特征
- 13.12.5 定义损失函数
- 13.12.6 初始化合成图像
- 13.12.7 训练模型
- 13.13 实战 Kaggle竞赛：图像分类（CIFAR-10）
- 13.13.1 获取并组织数据集
- 13.13.2 图像增广
- 13.13.3 读取数据集
- 13.13.4 定义模型
- 13.13.5 定义训练函数
- 13.13.6 训练和验证模型
- 13.13.7 在Kaggle上对测试集进行分类并提交结果
- 13.14 实战Kaggle竞赛：狗的品种识别（ImageNet Dogs）
- 13.14.1 获取和整理数据集
- 13.14.2 图像增广
- 13.14.3 读取数据集
- 13.14.4 微调预训练模型
- 13.14.5 定义训练函数
- 13.14.6 训练和验证模型
- 13.14.7 对测试集分类并在Kaggle提交结果
- 第14章 自然语言处理：预训练
- 14.1 词嵌入（word2vec）
- 14.1.1 为何独热向量是一个糟糕的选择
- 14.1.2 自监督的word2vec
- 14.1.3 跳元模型
- 14.1.4 连续词袋模型
- 14.2 近似训练
- 14.2.1 负采样
- 14.2.2 层序softmax
- 14.3 用于预训练词嵌入的数据集
- 14.3.1 读取数据集
- 14.3.2 下采样
- 14.3.3 中心词和上下文词的提取
- 14.3.4 负采样
- 14.3.5 小批量加载训练实例
- 14.3.6 整合代码
- 14.4 预训练word2vec
- 14.4.1 跳元模型
- 14.4.2 训练
- 14.4.3 应用词嵌入
- 14.5 全局向量的词嵌入（GloVe）
- 14.5.1 带全局语料库统计的跳元模型
- 14.5.2 GloVe模型
- 14.5.3 从共现概率比值理解GloVe模型
- 14.6 子词嵌入
- 14.6.1 fastText模型
- 14.6.2 字节对编码
- 14.7 词的相似度和类比任务
- 14.7.1 加载预训练词向量
- 14.7.2 应用预训练词向量
- 14.8 来自Transformer的双向编码器表示（BERT）
- 14.8.1 从上下文无关到上下文敏感
- 14.8.2 从特定于任务到不可知任务
- 14.8.3 BERT：将ELMo与GPT结合起来
- 14.8.4 输入表示
- 14.8.5 预训练任务
- 14.8.6 整合代码
- 14.9 用于预训练BERT的数据集
- 14.9.1 为预训练任务定义辅助函数
- 14.9.2 将文本转换为预训练数据集
- 14.10 预训练BERT
- 14.10.1 预训练BERT
- 14.10.2 用BERT表示文本
- 第15章 自然语言处理：应用
- 15.1 情感分析及数据集
- 15.1.1 读取数据集
- 15.1.2 预处理数据集
- 15.1.3 创建数据迭代器
- 15.1.4 整合代码
- 15.2 情感分析：使用循环神经网络
- 15.2.1 使用循环神经网络表示单个文本
- 15.2.2 加载预训练的词向量
- 15.2.3 训练和评估模型
- 15.3 情感分析：使用卷积神经网络
- 15.3.1 一维卷积
- 15.3.2 最大时间汇聚层
- 15.3.3 textCNN模型
- 15.4 自然语言推断与数据集
- 15.4.1 自然语言推断
- 15.4.2 斯坦福自然语言推断（SNLI）数据集
- 15.5 自然语言推断：使用注意力
- 15.5.1 模型
- 15.5.2 训练和评估模型
- 15.6 针对序列级和词元级应用微调BERT
- 15.6.1 单文本分类
- 15.6.2 文本对分类或回归
- 15.6.3 文本标注
- 15.6.4 问答
- 15.7 自然语言推断：微调BERT
- 15.7.1 加载预训练的BERT
- 15.7.2 微调BERT的数据集
- 15.7.3 微调BERT
- 附录A 深度学习工具
- A.1 使用Jupyter记事本
- A.1.1 在本地编辑和运行代码
- A.1.2 高级选项
- A.2 使用Amazon SageMaker
- A.2.1 注册
- A.2.2 创建SageMaker实例
- A.2.3 运行和停止实例
- A.2.4 更新Notebook
- A.3 使用Amazon EC2实例
- A.3.1 创建和运行EC2实例
- A.3.2 安装CUDA
- A.3.3 安装库以运行代码
- A.3.4 远程运行Jupyter记事本
- A.3.5 关闭未使用的实例
- A.4 选择服务器和GPU
- A.4.1 选择服务器
- A.4.2 选择GPU
- A.5 为本书做贡献
- A.5.1 提交微小更改
- A.5.2 大量文本或代码修改
- A.5.3 提交主要更改
- 参考文献
展开全部
动手学深度学习（PyTorch版）（精装版）是2023年由人民邮电出版社出版,作者阿斯顿·张(Aston。
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《动手学深度学习（PyTorch版）（精装版）》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。
电子书
电子书
本书以深度学习框架PyTorch为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了基本机器学习操作的原理和在深度学习框架下的实践步骤。全书共16章，主要分别介绍了深度学习基础知识、深度学习框架及其对比，机器学习基础知识，深度学习框架基础，Logistic回归，多层感知器，计算机视觉，自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信能为读者提供有益的学习指导。??本书适合Pyth
电子书
本书系统介绍了机器学习的基本内容及其代码实现，是一本着眼于机器学习教学实践的图书。本书包含4个部分：第一部分为机器学习基础，介绍了机器学习的概念、数学基础、思想方法和简单的机器学习算法；第二部分为参数化模型，讲解线性模型、神经网络等算法；第三部分为非参数化模型，主要讨论支持向量机和决策树模型及其变种；第四部分为无监督模型，涉及聚类、降维、概率图模型等多个方面。本书将机器学习理论和实践相结合，以大量
电子书
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例。
电子书
本书共12章，首先介绍Java语言的基本情况；然后介绍如何在Windows、Linux和macOS三种操作系统中安装Java和集成开发环境以及JShell交互式编程；接着讲解Java的一些常见概念和数据类型以及Java的八大类运算符、各种表达式和语句；之后介绍类和对象这两个核心概念，数组与集合的概念和使用，Java常用工具类，以及Java的异常处理、注解以及泛型机制；最后讲解Java的文件与I/O
电子书
《Python深度学习》以深度学习框架为基础，介绍机器学习的基础知识与常用方法，全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章，分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架（以PyTorch为例）基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合，相信
电子书
本书主要讲解深度学习和TensorFlow的实战知识，全书分为10章，主要内容如下：第1章为深度学习概述，包括深度学习的基础知识、深度学习的生产力实现—TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行；第2章为机器学习概述，讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本；第3章介绍从生物神经元到
电子书
本书旨在为读者建立完整的深度学习知识体系。全书内容包含3个部分，第一部分为与深度学习相关的数学基础；第二部分为深度学习的算法基础以及相关实现；第三部分为深度学习的实际应用。
