深度学习是机器学习的一个分支，它能够使计算机通过层次概念来学习经验和理解世界。
电子书
编辑推荐
飞桨PaddlePaddle是百度推出的深度学习框架，不仅支撑了百度公司的很多业务和应用，而且随着其开源过程的推进，在其他行业得到普及和应用。
本书基于2019年7月4日发布的飞桨PaddlePaddle Fluid 1.5版本（后续版本会兼容旧版本），以真实案例介绍如何应用飞桨PaddlePaddle解决主流的深度学习问题。
本书适合对人工智能感兴趣的学生、从事机器学习相关工作的读者阅读，尤其适合想要通过飞桨PaddlePaddle掌握深度学习应用技术的研究者和从业者参考。
本书包括以下内容：
● 飞桨PaddlePaddle 的核心设计思想；
● PaddlePaddle在MNIST上进行手写数字识别；
● 图像分类网络实现案例；
● “天网”中目标检测和像素级物体分割的实现；
● NLP技术应用案例 ：word2vec、情感分析、语义角色标注及机器翻译；
● Paddle-Mobile与Anakin框架等高级主题；
● 飞桨PaddlePaddle与TensorFlow、Caffe框架的常用层对比。
内容简介
飞桨PaddlePaddle Fluid是百度推出的深度学习框架，不仅支撑了百度公司的很多业务和应用，而且随着其开源过程的推进，在很多行业得到普及、应用和关注。
本书基于最新的飞桨PaddlePaddle Fluid版本，以真实的应用案例介绍如何用飞桨PaddlePaddle解决主流的深度学习问题。全书共14章。本书首先介绍了什么是飞桨PaddlePaddle，然后介绍了其核心设计思想，进而紧紧结合案例介绍了飞桨PaddlePaddle在主流的图像任务领域、NLP领域的应用，最后还探讨了Paddle-Mobile与Anakin框架等高级主题。附录A和B给出了飞桨PaddlePaddle与TensorFlow、Caffe框架的接口中常用层的对比。
本书非常适合对人工智能感兴趣的学生、从事机器学习相关工作的读者阅读，尤其适合想要通过飞桨PaddlePaddle掌握深度学习应用技术的研究者和从业者参考。
章节目录
- 版权信息
- 版权
- 内容提要
- 前言
- 第1章 飞桨PaddlePaddle简介与AI Studio的使用
- 1.1 飞桨PaddlePaddle简介
- 1.2 飞桨PaddlePaddle的工具组件
- 1.2.1 PaddleHub——简明易用的预训练模型管理框架
- 1.2.2 PARL——基于飞桨PaddlePaddle的深度强化学习框架
- 1.2.3 AutoDL Design——让深度学习来设计深度学习
- 1.2.4 VisualDL——深度学习可视化工具库
- 1.2.5 模型转换工具X2Paddle
- 1.3 飞桨PaddlePaddle在百度内部支持的案例
- 1.4 飞桨PaddlePaddle与TensorFlow的对比
- 1.5 AI Studio简介
- 1.6 在AI Studio中创建项目
- 1.6.1 用户界面简介
- 1.6.2 创建并运行一个项目
- 1.7 AI Studio单机项目概述
- 1.7.1 页面概览
- 1.7.2 复制项目
- 1.7.3 VisualDL工具的使用
- 1.8 Notebook环境使用说明
- 1.8.1 Notebook页面概览
- 1.8.2 操作区
- 1.8.3 Notebook内容编辑区
- 1.8.4 侧边栏
- 1.8.5 工具栏
- 1.9 AI Studio集群项目
- 1.9.1 集群项目说明
- 1.9.2 创建集群项目
- 1.9.3 页面概览
- 1.9.4 代码编辑界面
- 1.9.5 文件管理和数据集区域
- 1.9.6 文件预览编辑和提交任务区域
- 1.9.7 PaddlePaddle集群训练说明
- 1.9.8 数据集与输出文件路径说明
- 1.9.9 提交任务
- 1.9.10 历史任务
- 1.9.11 预安装包说明
- 1.10 在线部署及预测
- 1.10.1 功能说明
- 1.10.2 通过训练任务生成模型文件
- 1.10.3 创建一个在线服务
- 1.10.4 测试沙盒服务
- 1.10.5 部署在线服务
- 1.10.6 调用在线服务
- 1.11 NumPy常规操作及使用
- 第2章 PaddlePaddle Fluid的环境搭建与安装
- 2.1 在Linux系统中安装PaddlePaddle
- 2.1.1 租用百度BCC云服务器
- 2.1.2 安装前的准备工作
- 2.1.3 通过pip安装PaddlePaddle
- 2.1.4 在Docker中安装PaddlePaddle
- 2.2 在Windows系统中安装PaddlePaddle
- 2.2.1 Windows GPU驱动环境安装
- 2.2.2 下载并安装CUDA
- 2.2.3 安装cuDNN
- 2.2.4 安装PaddlePaddle
- 2.3 在macOS系统中安装PaddlePaddle
- 2.3.1 安装Python 3
- 2.3.2 安装PaddlePaddle
- 第3章 PaddlePaddle深度学习入门——在MNIST上进行手写数字识别
- 3.1 引言
- 3.2 模型概览
- 3.2.1 Softmax回归模型
- 3.2.2 多层感知器
- 3.2.3 卷积神经网络
- 3.3 数据介绍
- 3.4 PaddlePaddle的程序配置过程
- 3.4.1 程序说明
- 3.4.2 配置inference_program
- 3.4.3 配置train_program
- 3.4.4 配置optimizer_program
- 3.4.5 配置数据集reader
- 3.5 构建训练过程
- 3.5.1 事件处理程序配置
- 3.5.2 开始训练
- 3.6 应用模型
- 3.6.1 生成待预测的输入数据
- 3.6.2 Inference创建及预测
- 3.6.3 预测结果
- 3.7 小结
- 第4章 PaddlePaddle设计思想与核心技术
- 4.1 编译时与运行时的概念
- 4.2 Fluid内部执行流程
- 4.3 Program设计简介
- 4.4 Block简介
- 4.5 Block和Program的设计细节
- 4.6 框架执行器设计思想
- 4.6.1 代码示例
- 4.6.2 创建框架执行器
- 4.6.3 运行框架执行器
- 4.7 示例
- 4.7.1 定义Program
- 4.7.2 创建框架执行器
- 4.7.3 运行框架执行器
- 4.8 LoD Tensor数据结构解读
- 4.8.1 LoD索引
- 4.8.2 LoD Tensor在PaddlePaddle中的表示方法
- 4.8.3 LoD Tensor的API
- 4.8.4 LoD Tensor的使用示例
- 4.9 动态图机制——DyGraph
- 4.9.1 动态图设置和基本用法
- 4.9.2 基于DyGraph构建网络
- 4.9.3 使用DyGraph训练模型
- 4.9.4 模型参数的保存
- 4.9.5 模型评估
- 4.9.6 编写兼容的模型
- 第5章 独孤九剑——经典图像分类网络实现
- 5.1 图像分类网络现状
- 5.2 VGG16图像分类任务
- 5.2.1 定义网络结构
- 5.2.2 定义推理程序
- 5.2.3 定义训练程序
- 5.2.4 实例化训练对象
- 5.2.5 读取数据
- 5.2.6 编写事件处理程序并启动训练
- 5.2.7 执行模型预测
- 5.3 模块化设计GoogleNet
- 5.4 Alexnet模型实现
- 5.5 Resnet模型实现
- 5.6 MobileNet V2模型实现
- 5.7 ShuffleNet V2模型实现
- 第6章 “天网”系统基础——目标检测
- 6.1 目标检测简介
- 6.2 对R-CNN系列算法的探索历史
- 6.2.1 R-CNN算法：目标检测开山之作
- 6.2.2 SPP网络
- 6.2.3 Fast R-CNN
- 6.2.4 Faster R-CNN
- 6.3 单步目标检测算法
- 6.3.1 统一检测算法YOLO
- 6.3.2 SSD基本原理
- 6.3.3 SSD在训练时的匹配策略
- 6.3.4 使用PaddlePaddle实现SSD网络
- 6.4 PyramidBox
- 6.4.1 提出PyramidBox方法的背景
- 6.4.2 PyramidBox网络结构
- 6.4.3 PyramidBox的创新点
- 6.4.4 PyramidBox的PaddlePaddle官方实现
- 第7章 “天网”系统进阶——像素级物体分割
- 7.1 物体分割简介
- 7.2 语义分割与实例分割的关系
- 7.3 语义分割
- 7.3.1 语义分割的任务描述
- 7.3.2 全卷积网络
- 7.3.3 ParseNet
- 7.3.4 u-net
- 7.3.5 v-net
- 7.3.6 u-net变体网络
- 7.3.7 PSPNet
- 7.3.8 ICNet
- 7.3.9 DeepLab v3+
- 7.4 实例分割
- 7.4.1 实例分割概述
- 7.4.2 Mask R-CNN
- 第8章 从零开始了解NLP技术——word2vec
- 8.1 初识NLP
- 8.2 词向量简介
- 8.3 如何得到词向量模型
- 8.4 词向量模型概览
- 8.4.1 语言模型
- 8.4.2 N-Gram模型
- 8.4.3 CBOW模型
- 8.4.4 Skip-Gram
- 8.4.5 词ID
- 8.5 通过PaddlePaddle训练CBOW模型
- 8.5.1 CBOW模型训练过程
- 8.5.2 数据预处理
- 8.5.3 编程实现
- 8.5.4 模型应用
- 8.6 小结
- 第9章 feed流最懂你——个性化推荐
- 9.1 引言
- 9.2 推荐网络模型设计
- 9.2.1 YouTube的深度神经网络个性化推荐系统
- 9.2.2 融合推荐模型
- 9.3 电影推荐实验
- 9.3.1 数据介绍与下载
- 9.3.2 模型配置说明
- 9.3.3 训练模型
- 9.3.4 应用模型
- 9.4 小结
- 第10章 让机器读懂你的心——情感分析技术
- 10.1 情感分析及其作用
- 10.2 模型设计
- 10.3 情感分析实验
- 第11章 NLP技术深入理解——语义角色标注
- 11.1 引言
- 11.2 模型概览
- 11.2.1 栈式循环神经网络
- 11.2.2 双向循环神经单元
- 11.2.3 条件随机场
- 11.2.4 深度双向LSTM SRL模型
- 11.3 使用PaddlePaddle实现SRL任务
- 11.3.1 数据预处理
- 11.3.2 进行PaddlePaddle实验
- 11.4 小结
- 第12章 NLP技术的应用——机器翻译
- 12.1 引言
- 12.2 效果展示
- 12.3 模型概览
- 12.3.1 时间步展开的双向循环神经网络
- 12.3.2 编码器-解码器框架
- 12.3.3 柱搜索算法
- 12.4 机器翻译实战
- 12.4.1 数据预处理
- 12.4.2 模型配置
- 12.4.3 训练模型
- 12.4.4 应用模型
- 第13章 PaddlePaddle移动端及嵌入式框架——Paddle-Mobile
- 13.1 Paddle-Mobile简介
- 13.2 Paddle-Mobile优化与适配
- 13.2.1 包压缩
- 13.2.2 工程结构编码前重新设计
- 13.3 移动端主体识别和分类
- 13.3.1 完全在云端的神经网络技术应用
- 13.3.2 移动端业界案例
- 13.3.3 在移动端应用深度学习技术的难点
- 13.3.4 AR实时翻译问题的解决方案
- 13.4 编译与开发Paddle-Mobile平台库
- 13.5 开发一个基于移动端深度学习框架的Android APP
- 13.6 Paddle-Mobile设计思想
- 第14章 百度开源高速推理引擎——Anakin
- 14.1 Anakin架构与性能
- 14.2 Anakin的特性
- 14.2.1 支持众多异构平台
- 14.2.2 高性能
- 14.2.3 汇编级的kernel优化
- 14.2.4 Anakin值得一提的技术亮点
- 14.3 Anakin的使用方法
- 14.3.1 Anakin的工作原理
- 14.3.2 Anakin v2.0 API
- 14.4 示例程序
- 附录A TensorFlow与PaddlePaddle Fluid接口中常用层对照表
- 附录B Caffe与PaddlePaddle Fluid接口中常用层对照表
展开全部
深度学习与飞桨PaddlePaddle Fluid实战是2019年由人民邮电出版社出版,作者于祥。
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《深度学习与飞桨PaddlePaddle Fluid实战》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
1.PyTorch核心开发者教你使用PyTorch创建神经网络和深度学习系统的实用指南。2.详细讲解整个深度学习管道的关键实践，包括PyTorch张量API、用Python加载数据、监控训练以及对结果进行可视化。3.PyTorch核心知识+真实、完整的案例项目，快速提升读者动手能力：a.全面掌握PyTorch相关的API的使用方法以及系统掌握深度学习的理论和方法；b.快速从零开始构建一个真实示例：肿瘤图像分类器；c.轻松学会使用PyTorch实现各种神经网络模型来解决具体的深度学习问题；d.章尾附有“练习题”，巩固提升所学知识；更有配套的代码文件可下载并动手实现。4.PyTorch联合创作者SoumithChintala作序推荐！5.书中所有代码都是基于Python3.6及以上的版本编写的，提供源代码下载。
电子书
详解深度强化学习，从入门到实战。
电子书
深度学习扛鼎之作《Python深度学习》姊妹篇，前端工程师不可错过的AI入门书。
电子书
本书全面讲解PaddlePaddle Fluid框架在深度学习领域的应用。
电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
电子书
深入浅出的深度学习入门书，从零实现AlphaGo，为AI理论和应用打下基础。
