深度學習模型及應用詳解!50本包郵贈送福利

2021-03-06 Datawhale

書籍介紹

本書內容定位

本書側重在實際應用中讓讀者快速掌握基於深度學習模型的系統開發，內容覆蓋以下幾個部分。

第1 部分（第1、2 章）講解深度學習的現狀、概念和實現工具。

第2 部分（第3~5 章）介紹深度學習在自然語言處理、計算機視覺、預測等應用中常見模型的舉例及實現，包括自然語言處理中的詞嵌入向量模型；圖像理解中普遍使用的卷積神經網絡（CNN）及其在物體檢測（object detection）方面的應用；應用於機器翻譯的遞歸神經網絡模型（RNN）和長短期記憶模型（LSTM）。

第3 部分（第6~12 章）介紹學術界和工業界最新的一些高階深度學習模型和實現，以及它們在網際網路搜索、廣告、對話機器人、電商等領域的應用，包括：用於對話機器人的DeepProbe 模型；用於單張照片產品識別和屬性生成的VPR模型；用於信息檢索和語義向量生成的DeepIntent 模型；用於文本語義嵌入和匹配的fastText 模型；生成對抗網絡（GAN），以及在圖像生成和自然語言處理中的應用；強化學習模型的模型結構、訓練算法和應用。這些模型和實現都已經應用在微軟的眾多產品中，並獲得了很好的效果。

第4 部分（第13 章）是討論及展望，包括模型在線推理的優化及硬體加速的實現等。最後對目前深度學習技術的局限性做出分析，對其發展方向和下一個浪潮進行展望。

推薦語

 

本書深入淺出地介紹了深度學習中常用的多種算法和模型，並結合實際的搜索廣告系統，介紹了很多深度神經網絡在實際系統中的應用。本書兼顧了理論介紹和實際應用，尤其適合於想要將深度學習技術應用於工程實踐的讀者閱讀。

——丁曉青，清華大學教授， IEEE/IAPR Fellow

 

本書從原理、模型、應用等方面對深度學習進行了全方位的詳細解讀，包括提供清晰的圖示和簡潔的代碼，方便初學者快速掌握深度學習的基本技術並初步了解研究前沿。本書提供了多個產品級案例，乃作者多年工程實踐經驗的總結，無疑是初學者的案頭必備！

——林宙辰，北京大學教授，IEEE/IAPR Fellow

 

非常高興向各位朋友介紹這本書。雖然深度學習的書已經很多，但從實用技術落地的角度出發，讓初學者快速上手的還真不多。本書並沒有過多糾結於理論，或停留在對框架和工具的介紹，而是通過具體應用實例深入淺出地講解深度學習模型、分享經驗教訓。這是我特別讚賞的地方。五位作者是微軟人工智慧的專家，具有豐富的技術研究和產品開發的成功經驗。他們抽出寶貴時間，無私奉獻其行業經驗，尤為難能可貴！

——裴健，加拿大一級研究講座教授（大數據科學領域）、加拿大西蒙弗雷澤大學計算科學學院教授、統計與精算學系和健康科學院兼職教授

 

在深度學習大潮下，出現了很多關於深度學習的書籍，而這本聚焦於深度學習模型和應用詳解的書與眾不同，來得非常及時。從掌握深度學習的理論算法到熟練應用其解決實際問題有一段很長的距離，也是人工智慧落地產生價值的關鍵，本書可以看作填補這段距離的有益嘗試。本書作者都是工作在人工智慧相關應用領域一線的優秀研究人員和應用科學家，兼具理論和應用背景，實踐經驗豐富，沒有人比他們更適合來寫這樣一本書了！

——文繼榮，中國人民大學高瓴人工智慧學院執行院長

 

本書既不是對深度學習框架的簡單介紹，也不是純理論的探討，而是試圖結合產品實踐來全面講解深度學習模型在不同領域的應用及經驗。本書作者是我在微軟的同事，長期負責微軟在線廣告平臺中機器學習算法的研發，這本書凝聚了他們豐富的實戰經驗，非常適合希望運用深度學習到實際場景的工程師和研究員，值得強烈推薦。
——謝幸，微軟亞洲研究院首席研究員

 

當前，人工智慧技術取得了前所未有的關注，在語音、視覺、自然語言處理及大數據等領域，都發揮了巨大的作用。人工智慧作為一門理論與實踐並重的學科，要求研究人員在理解相關理論的同時，也要了解如何在實際系統中應用人工智慧技術。本書是微軟人工智慧專家多年實踐經驗的結晶，極好地平衡了理論與實踐，對人工智慧技術的理論及算法成果落地進行了深入淺出的介紹，將有力促進人工智慧技術的普及。

——顏水成，依圖科技CTO

本書購買連結可查看原文連結

相關焦點

  • 這次,挑選了10本深度學習書籍送給大家
    福利一本次小編聯合博文視點，挑選十本深度學習書籍送給大家，並且恰逢噹噹19周年計算機書籍絕大部分為5折起【活動從9號-11號】，在此基礎上，小編還給大家申請了噹噹全場圖書優惠碼，不限計算機類書籍，滿200-30，也就是大家花170元可以買到
  • 送書福利!深度學習,基於Keras的Python實踐
    今天這篇文章目的很簡單，就是給大家送出 3 本《深度學習：基於Keras的Python實踐》。感謝博文視點出版社提供的3本書籍！
  • 實戰入門深度學習,李沐中文新書贈送
    不久前，該書紙質版上線，機器之心聯合人民郵電出版社，向購買機器之心 GMIS 大會門票的讀者免費贈送 20 本書籍。近年來，不論是計算機專業的學生，還是已在科技網際網路行業從業多年的技術人員和其他從業者，人們對深度學習的興趣從未如此高漲。
  • 「人工智慧師資班」(Python機器學習,圖像識別與深度學習,深度學習與NLP,知識圖譜,強化學習)
    本次培訓分為Python機器學習，圖像識別與深度學習，深度學習與NLP，知識圖譜和強化學習五大專題。本次培訓由權威專家主講，提供實驗環境及實驗數據，並提供配套資料，通過剖析工程案例展現機器學習、深度學習落地全過程。培訓暫定2021年1月5日開始，每個專題6天左右，一共28天，直播集訓。本次培訓由淺入深，面向0基礎、不懂機器學習、不具備任何Python基礎的老師和同學。
  • 使用OpenCV深度學習模塊在圖像分類下的應用實踐
    極市導讀：本文來自6月份出版的新書《OpenCV深度學習應用與性能優化實踐》，由Intel與阿里巴巴高級圖形圖像專家聯合撰寫，系統地介紹了OpenCV DNN 推理模塊原理和實踐。極市為大家爭取到5本贈書福利，詳見文末。深度學習理論的廣泛研究促進了其在不同場景的應用。
  • 深度學習的時間序列模型評價
    關鍵對於任何成功的應用在於選擇正確的表示。各種時序問題包含了不同程度的性質，在本節和先驗知識或假設有關這些性質的討論，經常被注入在所選擇的模型或特徵表達。非標籤數據學習表達代替手工設置特徵越來越感興趣。無監督特徵學習已經證明是成功的，在學習的特徵表現層的靜態數據集，且可與深度網絡相結合去創造更強大的學習模型。但是，特徵學習的時間序列數據必須去修改，為了調整時間序列數據的特徵，為了捕捉時間信息。
  • Stata數據統計分析及模型應用核心技術與應用培訓
    *案例詳解及應用 第二部分 線性回歸 模型 *案例詳解及應用 面板模型 1.Stata對面板數據的處理與定義。
  • 好書推薦|走向TensorFlow 2.0:深度學習應用編程快速入門
    —文末附本書電子版下載地址— 本書簡介 《走向TensorFlow 2.0：深度學習應用編程快速入門本書通過5個常用的人工智慧編程案例，幫助大家掌握如何在工作中使用TensorFlow 2.0進行應用開發。 《走向TensorFlow 2.0：深度學習應用編程快速入門》內容覆蓋了Python和TensorFlow基礎入門、自然語言處理和CV領域的實踐案例、模型的服務化部署，希望在基於TensorFlow 2.0的人工智慧編程上能夠助你一臂之力。
  • 百度發布《深度學習中文教程》!
    同時開放了7天學習實踐活動，在7天中，你將直接跳過冗長的理論、懵bi~的調試，讓你掌握深度學習任務的通用套路，能夠獨立完成模型搭建、訓練及部署，能解決面試中最常被問到的深度學習任務，理論實戰雙豐收。本次學習採用直播+答疑+比賽+作業的學習模式，學完還有百度飛槳認證結業證書、超多豐厚禮品贈送，讓你的學習有見證有收穫，求職有幫助！另外，結營典禮還有春節聯歡會，超多驚喜獎品領不停！千萬不要錯過！（學習還有獎品領，還是大廠出手大方😜  ）1.
  • 深度學習推薦模型DeepFM技術剖析:助力華為應用市場APP推薦
    今年8月下旬，在澳大利亞墨爾本召開的IJCAI2017會議上，來自華為伏羲推薦團隊的專家發表了他們在深度學習推薦算法方面的最新成果。伏羲推薦引擎是華為應用市場聯合華為諾亞方舟實驗室開發的一款推薦系統。針對華為應用市場的業務特點和數據特徵，伏羲推薦算法團隊提出的端到端的深度學習推薦模型DeepFM，助力華為應用市場更加精準、個性化的推薦體驗。
  • 福利|針灸小人模型、100本《針灸穴位全真圖解》包郵免費送!助力你的針灸學習之路!
    它既是針灸教學的教具，又是考核針灸醫生的模型。考試時在銅人體表塗蠟，體內注入水銀，令被試者取穴進針，如果取穴部位準確，則針進而水銀出；如取穴有誤，則針不能入。圖片來源：百度感嘆古人的聰穎與智慧之餘，也不難發現古人對於針灸醫師穴位掌握的考核極其嚴苛，也側面反應出，穴位對於針灸學習的重要性。那麼如何能快速掌握周身穴位呢？
  • 分享《深度學習入門:基於Python的理論與實現》高清中文版PDF+原始碼
    書中不僅介紹了深度學習和神經網絡的概念、特徵等基礎知識，對誤差反向傳播法、卷積神經網絡等也有深入講解，此外還介紹了深度學習相關的實用技巧，自動駕駛、圖像生成、強化學習等方面的應用，以及為什麼加深層可以提高識別精度等疑難的問題。獲取方式：郵箱註冊AI圖譜 https://loveai.tech 並激活帳號即可。
  • 用Python將Keras深度學習模型部署為Web應用程式
    我們想要的是將深度學習模型部署為世界上任何人都可以訪問的Web應用程式。在本文中，我們將看到如何編寫一個Web應用程式，該應用程式使用經過訓練的Keras遞歸神經網絡，並允許用戶生成新的專利文摘。這個項目建立在遞歸神經網絡的基礎上，但是了解如何創建RNN是不必要的。現在我們將其視為黑匣子：我們按一個開始的順序進行操作，它輸出一個全新的專利文摘，可以在瀏覽器中顯示！
  • 深度學習之Attention模型詳解
    採用multi-head attention為的就是讓不同head學習到不同的子空間語義。顯然實驗也證實這種形式的結果較好。無論是encoder還是decoder，我們都能看到存在residual connection這種跳躍連接。隨著深度的增加會導致梯度出現彌散或者爆炸，更為嚴重的是會導致模型退化 （也就是在訓練集上性能飽和甚至下降，與過擬合不同）。深度殘差網絡就是為了解決退化的問題。其實引入殘差連接，也是為了儘可能保留原始輸入x的信息。與 BN 不同，LN 是一種橫向的規範化。
  • 深度學習模型壓縮方法
    複雜的模型固然具有更好的性能，但是高額的存儲空間、計算資源消耗是使其難以有效的應用在各硬體平臺上的重要原因。最近正好在關注有關深度學習模型壓縮的方法，發現目前已有越來越多關於模型壓縮方法的研究，從理論研究到平臺實現，取得了非常大的進展。
  • 深度學習模型訓練的一般方法(以DSSM為例)
    先統領性地提出深度學習模型訓練過程的一般思路和要點，再結合具體實例進行說明。全文問題和解決方案儘可能具備通用性，同樣適用於一般深度學習模型的訓練。深度學習模型訓練要素概圖為了使模型儘可能多地學到負樣本特徵，採用隨機負採樣為正樣本配平負樣，初期正負樣本1:4。由此引發了學習過程中最大的問題——模型無法收斂。使用隨機負採樣將負樣本變得豐富，本是正常操作，卻由此導致模型不能收斂(loss大多只在前三個epoch有明顯下降，最終loss與最初相比下降幅度不足1/4)，實在是不應該，這只能說明模型設計本身存在問題。
  • 用戶在線廣告點擊行為預測的深度學習模型
    本次分享主要講的是深度學習在Multi-field Categorical 這類數據集上的應用，這種類型的數據主要呈現以下特徵：有多個域，每個域上的數據以ID格式呈現。本課題就是在信息檢索這一大類下的應用，它的應用主要體現在：網絡搜索、推薦系統、廣告展示這些領域。
  • 實踐入門NLP:基於深度學習的自然語言處理
    特別是最近兩年，基於深度學習的自然語言處理逐漸取得了一定進展，在人機對話、問答系統、語言翻譯等方向的應用也一直是自然語言處理中的熱門話題，而這些應用的實現，基本依賴於底層技術和模型的進步，再加上自然語言處理領域也算是一個多學科交叉的行業，自然語言處理的未來發展對於很多相關學科和方向都具有深遠的影響力。
  • 入門 | 簡述遷移學習在深度學習中的應用
    ，以及該方法在深度學習中的應用，引導構建預測模型的時候使用遷移學習的基本策略。遷移學習是一種機器學習方法，就是把為任務 A 開發的模型作為初始點，重新使用在為任務 B 開發模型的過程中。深度學習中在計算機視覺任務和自然語言處理任務中將預訓練的模型作為新模型的起點是一種常用的方法，通常這些預訓練的模型在開發神經網絡的時候已經消耗了巨大的時間資源和計算資源，遷移學習可以將已習得的強大技能遷移到相關的的問題上。
  • 專欄 | 深度學習中的Normalization模型
    BN 是深度學習進展中裡程碑式的工作之一，無論是希望深入了解深度學習，還是在實踐中解決實際問題，BN 及一系列改進 Normalization 工作都是繞不開的重要環節。讀者可以自己思考下，如果你是 BN 或者其它改進模型的設計者，那麼你會如何選取集合 S？Batch Normalization 如何做我們知道，目前最常用的深度學習基礎模型包括前向神經網絡（MLP），CNN 和 RNN。