适读人群 :从事机器学习、深度学习、人工智能等领域的工程技术人员以及高等院校相关专业本科生、研究生和教师
本书针对所提出的问题提供技术解决方案,并提供对这些解决方案的详细解释。此外,还讨论了使用TensorFlow、PyTorch、Keras和CNTK等流行开源框架针对实际问题解决方案相应的优缺点。本书也介绍了人工神经网络基本概念及其相关技术,包括经典的网络拓扑等。本书主要目的是为Python程序员提供较为详细的实战方案,以便将深度学习应用于常见和不常见实际问题场景。 本书包括14章: (1)编程环境、GPU 计算、云解决方案和深度学习框架; (2)前馈神经网络; (3)卷积神经网络; (4)递归神经网络; (5)强化学习; (6)生成对抗网络; (7)计算机视觉; (8)自然语言处理; (9)语音识别和视频分析; (10)时间序列和结构化数据; (11)游戏智能体和机器人; (12)超参数选择、调优和神经网络学习; (13)网络内部构造; (14)预训练模型。 本书的主要特点: 1)提供训练不同神经网络模型并调整模型以期获得佳性能的实战方案; 2)使用诸如TensorFlow、Caffe、Keras、Theano的Python框架进行自然语言处理、计算机视觉识别等; 3)Python深度学习中的常见以及不常见问题的解决指南。 通过本书将会学到: 1)在Python中实现不同的人工神经网络模型; 2)选择诸如PyTorch、TensorFlow、MXNet和Keras等优的Python开源框架来进行深度学习; 3)应用神经网络内部细节相关的提示和技巧,以提高学习成效; 4)巩固机器学习原理并将其应用于深度学习领域; 5)重用Python代码段并将其应用于解决日常问题; 6)评估每个解决方案的成本/收益和性能影响。