本书是新一代人工智能实践系列教材之一,从基础理论、平台框架、网络模型和模型优化4 个方面重点阐述深度学习技术的基础与实践。本书分为4 篇8 章内容,包括深度学习概述、深度学习原理、深度学习框架、MindSpore 实践、卷积神经网络、序列数据建模、模型优化与强化学习实战。
本书可作为人工智能专业、智能科学与技术专业以及计算机类相关专业的本科生及研究生学习深度学习技术的教材,同时也适用于经济、管理等商科专业需要数据计算的学生,以及希望通过自学认证深度学习工程师的人员。
前辅文 基础理论篇 第1章 深度学习概述 1.1 深度学习基本概念 1.2 深度学习的发展历史 1.3 深度学习的应用 小结 习题 第2章 深度学习原理 2.1 生物学启示 2.2 深度学习的网络模型 2.3 学习目标 2.4 学习算法 2.5 深度学习技术示例1:解决XOR问题 2.6 深度学习技术示例2:解决序列数据分类问题 小结 习题 平台框架篇 第3章 深度学习框架 3.1 MindSpore的驱动前提 3.2 MindSpore介绍 3.3 TensorFlow介绍 3.4 PyTorch介绍 3.5 如何选择好的框架 小结 习题 第4章 MindSpore实践 4.1 概述 4.2 数据 4.3 模型模块 4.4 数据归一化 4.5 损失函数 4.6 优化器 4.7 训练 4.8 模型的保存与加载 4.9 鸢尾花实验 小结 习题 网络模型篇 第5章 卷积神经网络 5.1 概述 5.2 从头开始训练一个卷积神经网络 5.3 使用预训练的卷积神经网络 5.4 卷积神经网络的可视化 5.5 自编码器 小结 习题 第6章 序列数据建模 6.1 概述 6.2 基本结构 6.3 经典模型 6.4 编程实战 小结 习题 模型优化篇 第7章 模型优化 7.1 模型压缩 7.2 超参数搜索方法 7.3 编程实战 小结 习题 第8章 强化学习实战 8.1 概述 8.2 基础知识 8.3 经典模型 8.4 MindSpore实战 小结 习题 参考文献