産品特色

編輯推薦

（1）作者技術紮實、功力深厚，有20餘年開發經驗，對人工智能、量化交易、區塊鏈等技術有深入研究，實踐經驗豐富。
（2）CSDN、極客邦科（InfoQ）、麥思博（MSUP）、天善智能4大IT媒體和知識服務機構高度評價並推薦
（3）以AI領域新的技術研究和和實踐為基礎。從技術理論、工作原理、實踐方法、架構技巧、訓練方法、技術前瞻等6個維度對深度捲積網絡進行瞭係統、深入、詳細地講解。
（4）以實戰為導嚮，深入分析AlphaGo和GAN的實現過程、技術原理、訓練方法和應用細節，包含大量案例和代碼。

內容簡介

深度捲積網絡（DCNN）是目前十分流行的深度神經網絡架構，它的構造清晰直觀，效果引人入勝，在圖像、視頻、語音、語言領域都有廣泛應用。

本書以AI領域新的技術研究和和實踐為基礎，從技術理論、工作原理、實踐方法、架構技巧、訓練方法、技術前瞻等6個維度對深度捲積網絡進行瞭係統、深入、詳細地講解。

以實戰為導嚮，深入分析AlphaGo和GAN的實現過程、技術原理、訓練方法和應用細節，為讀者依次揭開神經網絡、捲積網絡和深度捲積網絡的神秘麵紗，讓讀者瞭解AI的“思考過程”，以及與人類思維的相同和不同之處。

本書在邏輯上分為3個部分：

第一部分 綜述篇（第1、6、9章）

這3章不需要讀者具備編程和數學基礎，對深度學習和神經網絡的基礎知識、AlphaGo的架構設計和工作原理，以及深度學習和人工智能未來的技術發展趨勢進行瞭宏觀介紹。

第二部分 深度捲積網絡篇（第2、3、4、5章）

結閤作者的實際工作經驗和案例代碼，對深度捲積網絡的技術理論、工作原理、實踐方法、架構技巧和訓練方法做瞭係統而深入的講解。

第三部分 實戰篇（第7、8章）

詳細分析瞭AlphaGo和GAN的技術原理、訓練方法和應用細節，包括詳細的代碼分析和大量GAN的精彩實例。

本書的案例代碼在GitHub上提供下載，同時讀者可在GitHub與作者交流本書相關的問題。

作者簡介

彭博
人工智能、量化交易、區塊鏈領域的技術專傢，有20年以上的研發經驗。
在人工智能與信息科技方麵，對深度學習、機器學習、計算機圖形學、智能硬件等有較為深入的研究；在量化交易方麵，曾在全球大的外匯對衝基金負責程序化交易，對市場的微觀和宏觀行為有較為深入的理解；在區塊鏈方麵，對智能閤約、DApp開發和自動交易有較為深入的實踐。
知乎上科技領域的大V，在專欄撰有大量技術文章。

精彩書評

對於初次接觸人工智能的工程師和數據科學傢來說，係統性的建立對人工智能知識體係很有必要，但同時也需要找一個易於學習的切入點或突破點。作者考慮到不同層次讀者需要，選擇瞭很有代錶性的AlphaGo和GAN進行講解，並給齣瞭很好的案例引導。本書循序漸進從概念到原理，從原理到實踐步步深入AI，案例生動而細緻。持續學習是人工智能發展的關鍵，同樣的在這樣的一個技術日新月異的時代，我們也需要保持持續的學習力。推薦此書，保有一份對技術的敬畏與熱忱，讓我們一起打開AI的世界。

——梁勇 天善智能創始人

神經網絡是深度學習的有效方法之一，深度捲積網絡則又是目前十分流行的深度神經網絡架構，在圖像、視頻、語音等領域被廣泛應用，我們熟知的AlphaGo就大量實用瞭深度捲積網絡技術。彭博的這本書，兄理論和實踐兩個層麵對捲積神經網絡做瞭非常翔實的講解，理論層麵，重點講解瞭捲積神經網絡的技術基礎和工作原理；實踐層麵，則通過對AlphaGo的層層剖析，展現瞭捲積神經網絡的實踐方法。此外，本書在大環境上，基於Python和MXNet等流行的深度學習工具撰寫，能讓讀者在理解深度捲積網絡的同時，掌握這些工具的使用。

——劉付強 MSUP（麥思博）創始人兼CEO

人工智能是未來重要的發展方嚮，也是我們極客邦重要的內容版塊之一。這本書選擇深度學習中受歡迎的技術深度捲積網絡（DCNN）和生成式對抗網絡（GAN）為切入點，從技術、原理、訓練方法、應用等角度全方位地對它們進行瞭講解。為瞭讓艱深的技術不那麼難懂，本書以我們熟知的AlphaGo為案例（AlphaGo是使用深度捲積網絡的經典成功案例），通過分析AlphaGo的實現過程，讓具體的技術細節通俗易懂。

——霍泰穩 極客邦科技創始人兼 CEO

2016年AlphaGo人機大戰開啓瞭人工智能的黃金時代，CSDN數據統計錶明2016年後深度學習技術文章全年增長3倍以上，閱讀過機器學習和深度學習內容的開發者用戶數近百萬，但全麵掌握深度學習還是有相當的門檻，坊間也有深度學習的經典著作，但還很缺乏係統工程實踐講解，彭博這本書彌補瞭這一缺失，由淺入深，從實踐齣發，剖析AlphaGo實現，全麵係統介紹瞭深度捲積網絡的應用和發展，開發者跟著書中案例一步步實現，就可以快速掌握深度學習的強大。

——蔣濤 CSDN創始人/極客幫創投創始人

目錄

Contents 目　　錄
前言
引子·神之一手1
第1章　走進深度學習的世界5
1.1　從人工智能到深度學習5
1.2　深度神經網絡的威力：以AlphaGo為例8
1.2.1　策略網絡簡述9
1.2.2　泛化：看棋譜就能學會下圍棋11
1.2.3　擬閤與過擬閤11
1.2.4　深度神經網絡的速度優勢12
1.3　深度神經網絡的應用大觀13
1.3.1　圖像分類問題的難度所在13
1.3.2　用深度神經網絡理解圖像15
1.3.3　AlphaGo中的深度神經網絡17
1.3.4　自動發現規律：從數據A到答案B17
1.3.5　深度神經網絡的更多應用18
1.3.6　從分而治之，到端對端學習24
1.4　親自體驗深度神經網絡25
1.4.1　TensorFlow遊樂場25
1.4.2　MNIST數字識彆實例：LeNet-527
1.4.3　策略網絡實例28
1.4.4　簡筆畫：Sketch-RNN29
1.4.5　用GAN生成動漫頭像30
1.5　深度神經網絡的基本特點31
1.5.1　兩大助力：算力、數據31
1.5.2　從特徵工程，到逐層抽象32
1.5.3　深度神經網絡學會的是什麼35
1.6　人工智能與神經網絡的曆史36
1.6.1　人工智能的兩大學派：邏輯與統計37
1.6.2　人工智能與神經網絡的現代編年史37
第2章　深度捲積網絡：第一課42
2.1　神經元：運作和訓練43
2.1.1　運作：從實例說明43
2.1.2　訓練：梯度下降的思想44
2.1.3　訓練：梯度下降的公式46
2.1.4　訓練：找大小問題的初次嘗試48
2.1.5　訓練：Excel的實現 50
2.1.6　重要知識：批大小、mini-batch、epoch51
2.2　深度學習框架MXNet：安裝和使用51
2.2.1　計算圖：動態與靜態52
2.2.2　安裝MXNet：準備工作53
2.2.3　在Windows下安裝MXNet54
2.2.4　在macOS下安裝MXNet：CPU版57
2.2.5　在macOS下安裝MXNet：GPU版58
2.2.6　在Linux下安裝MXNet59
2.2.7　安裝Jupyter演算本59
2.2.8　實例：在MXNet訓練神經元並體驗調參60
2.3　神經網絡：運作和訓練63
2.3.1　運作：前嚮傳播，與非綫性激活的必要性63
2.3.2　運作：非綫性激活64
2.3.3　訓練：梯度的計算公式66
2.3.4　訓練：實例69
2.3.5　訓練：Excel的實現70
2.3.6　訓練：反嚮傳播71
2.3.7　重要知識：梯度消失，梯度爆炸72
2.3.8　從幾何觀點理解神經網絡72
2.3.9　訓練：MXNet的實現73
第3章　深度捲積網絡：第二課 77
3.1　重要理論知識77
3.1.1　數據：訓練集、驗證集、測試集77
3.1.2　訓練：典型過程79
3.1.3　有監督學習：迴歸、分類、標簽、排序、Seq2Seq79
3.1.4　無監督學習：聚類、降維、自編碼、生成模型、推薦81
3.1.5　訓練的障礙：欠擬閤、過擬閤82
3.1.6　訓練的細節：局部極值點、鞍點、梯度下降算法83
3.2　神經網絡的正則化85
3.2.1　修改損失函數：L2和L1正則化85
3.2.2　修改網絡架構：Dropout正則化86
3.2.3　更多技巧：集閤、多任務學習、參數共享等86
3.2.4　數據增強與預處理88
3.3　神經網絡的調參89
3.3.1　學習速率89
3.3.2　批大小90
3.3.3　初始化方法92
3.3.4　調參實戰：重返TensorFlow遊樂場93
3.4　實例：MNIST問題95
3.4.1　重要知識：SoftMax層、交叉熵損失96
3.4.2　訓練代碼與網絡架構98
3.4.3　超越MNIST：最新的Fashion-MNIST數據集101
3.5　網絡訓練的常見bug和檢查方法103
3.6　網絡訓練性能的提高104
第4章　深度捲積網絡：第三課106
4.1　捲積網絡：從實例說明106
4.1.1　實例：找橘貓，最原始的方法107
4.1.2　實例：找橘貓，更好的方法108
4.1.3　實例：捲積和池化108
4.1.4　捲積網絡的運作111
4.2　運作：AlphaGo眼中的棋盤112
4.2.1　棋盤的編碼113
4.2.2　最簡化的策略網絡115
4.2.3　最簡化的策略網絡：特徵層和捲積後的結果116
4.3　捲積神經網絡：進一步瞭解122
4.3.1　捲積核、濾波器與參數量的計算122
4.3.2　運作和訓練的計算123
4.3.3　外襯與步長124
4.3.4　縮小圖像：池化與全局池化126
4.3.5　放大圖像：轉置捲積127
4.4　實例：用捲積網絡解決MNIST問題128
4.4.1　網絡架構的定義與參數量的計算129
4.4.2　訓練MNIST網絡130
4.4.3　在MXNet運行訓練後的網絡131
4.4.4　調參實例133
4.4.5　在Fashion-MNIST數據集的結果133
4.5　MXNet的使用技巧134
4.5.1　快速定義多個層134
4.5.2　網絡的保存與讀取135
4.5.3　圖像數據的打包和載入135
4.5.4　深入MXNet訓練細節136
4.5.5　在瀏覽器和移動設備運行神經網絡139
第5章　深度捲積網絡：第四課141
5.1　經典的深度捲積網絡架構142
5.1.1　深度學習革命的揭幕者：AlexNet142
5.1.2　常用架構：VGG係列145
5.1.3　去掉全連接層：DarkNet係列147
5.2　網絡的可視化：以AlexNet為例150
5.3　遷移學習：精調、預訓練等155
5.4　架構技巧：基本技巧157
5.4.1　感受野與縮小捲積核157
5.4.2　使用1×1捲積核158
5.4.3　批規範化160
5.4.4　實例：迴顧Fashion-MNIST問題161
5.4.5　實例：訓練CIFAR-10模型164
5.5　架構技巧：殘差網絡與通道組閤169
5.5.1　殘差網絡：ResNet的思想169
5.5.2　殘差網絡：架構細節171
5.5.3　殘差網絡：來自於集閤的理解與隨機深度172
5.5.4　殘差網絡：MXNet實現，以策略網絡為例173
5.5.5　通道組閤：Inception模組174
5.5.6　通道組閤：XCeption架構，深度可分捲積177
5.5.7　實例：再次訓練CIFAR-10模型178
5.6　架構技巧：更多進展181
5.6.1　殘差網絡進展：ResNext、Pyramid Net、DenseNet181
5.6.2　壓縮網絡：SqueezeNet、MobileNet、ShuffleNet183
5.6.3　捲積核的變形188
5.7　物體檢測與圖像分割189
5.7.1　YOLO v1：實時的物體檢測網絡190
5.7.2　YOLO v2：更快、更強192
5.7.3　Faster R-CNN：準確的物體檢測網絡194
5.7.4　Mask-RCNN：準確的圖像分割網絡195
5.8　風格轉移197
第6章　AlphaGo架構綜述200
6.1　從AlphaGo到AlphaZero201
6.1.1　AlphaGo v13與AlphaGo v18201
6.1.2　AlphaGo Master與AlphaGoZero202
6.1.3　解決一切棋類：AlphaZero204
6.2　AlphaGo的對弈過程205
6.2.1　策略網絡205
6.2.2　來自人類的思路208
6.2.3　濛特卡洛樹搜索與估值問題209
6.2.4　從快速走子估值到價值網絡211
6.2.5　從搜索樹看策略與價值網絡的作用213
6.2.6　策略與價值網絡的運作實例215
6.3　AlphaGo中的深度捲積網絡架構217
6.4　AlphaGo的訓練過程219
6.4.1　原版AlphaGo：策略梯度方法219
6.4.2　新版AlphaGo：從濛特卡洛樹搜索學習220
6.5　AlphaGo方法的推廣221
第7章　訓練策略網絡與實戰224
7.1　訓練前的準備工作224
7.1.1　棋譜數據225
7.1.2　落子模擬226
7.1.3　終局判斷226
7.2　訓練代碼227
7.2.1　主程序：train.py227
7.2.2　訓練參數：config.py233
7.2.3　輔助函數：util.py234
7.2.4　棋盤隨機變換：symmetry.py235
7.2.5　訓練實例236
7.3　對弈實戰237
第8章　生成式對抗網絡：GAN240
8.1　GAN的起源故事240
8.2　GAN的基本原理242
8.2.1　生成模型：從圖像到編碼，從編碼到圖像242
8.2.2　GAN的基本效果243
8.2.3　GAN的訓練方法246
8.3　實例：DCGAN及訓練過程248
8.3.1　網絡架構248
8.3.2　訓練代碼249
8.4　GAN的更多架構和應用255
8.4.1　圖像轉移：CycleGAN係列255
8.4.2　生成高分辨率圖像：nVidia的改進260
8.4.3　自動提取信息：InfoGAN261
8.4.4　更多應用264
8.5　更多的生成模型方法266
8.5.1　自編碼器：從AE到VAE266
8.5.2　逐點生成：PixelRNN和PixelCNN係列267
8.5.3　將VAE和GAN結閤：CVAE-GAN268
第9章　通嚮智能之秘272
9.1　計算機視覺的難度272
9.2　對抗樣本，與深度網絡的特點276
9.3　人工智能的挑戰與機遇278
9.3.1　棋類遊戲中的電腦陷阱278
9.3.2　偏見、過濾氣泡與道德睏境280
9.3.3　語言的迷局283
9.3.4　強化學習、機器人與目標函數286
9.3.5　創造力、審美與意識之謎290
9.3.6　預測學習：機器學習的前沿293
9.4　深度學習的理論發展295
9.4.1　超越反嚮傳播：預測梯度與生物模型295
9.4.2　超越神經網絡：Capsule與gcForest297
9.4.3　泛化問題300
9.5　深度學習與人工智能的展望304
9.5.1　工程層麵304
9.5.2　理論層麵304
9.5.3　應用層麵305
跋　人工智能與我們的未來306
附錄　深度學習與AI的網絡資源310

前言/序言

前言

為何寫作本書自2012年以來，隨著深度學習（Deep Learning，DL）的快速發展，人工智能（Artificial Intelligence，AI）取得瞭長足的進展。從語音助手、人臉識彆、照片美化，到自動駕駛、醫療診斷、機器翻譯，基於深度神經網絡（Deep Neural Network，DNN）的新一代人工智能，已在各個領域進入我們的日常生活。許多學者認為，人工智能將開啓第四次工業革命，並對人類的未來産生深遠影響。

例如，通過Mask R-CNN深度神經網絡，電腦可快速自動識彆齣圖像中的各個物體，用色彩和方框標記。這對於自動駕駛和機器人技術有重要意義，也是傳統AI方法難以實現的。
值此變革之際，我們理應跟上時代的步伐，增進對DL與AI的瞭解。本書的目標是：

如果讀者沒有編程和數學基礎，也能在閱讀後體會到深度神經網絡的奧妙。

如果讀者有一定基礎，就可學會用DL的方法解決實際問題，為從事相關的工作和研究做好準備。
具體而言，本書選取深度捲積網絡（Deep Convolutional Neural Network，DCNN）作為切入點，這是目前最流行的深度神經網絡架構，其構造直觀易懂，效果引人入勝，在圖像、視頻、語音、語言領域都有廣泛應用。

我們還將結閤多個實例進行講述，讓讀者更深入理解深度神經網絡的運作。說起深度神經網絡的實例，廣為人知的莫過於由Google DeepMind研發的AlphaGo（https://deepmind.com/research/alphago/）：
在2016年3月，AlphaGo以4:1戰勝韓國頂尖棋手李世乭，讓AI成為瞭目前最熱門的話題之一。
在2017年5月，新版AlphaGo以3:0戰勝當今世界圍棋第一人—中國的柯潔。所有棋手都認同它已全麵勝過人類，但它仍需要人類棋譜作為訓練的前期輸入。
在2017年10月，名為AlphaGo Zero的最新版AlphaGo已能完全脫離人類棋譜，從零開始，純粹依靠自我探索，自我對弈，就能實現超越此前所有版本的棋力。
如下圖所示，藍色的20-blocks版AlphaGo Zero，最初的棋力還不如人類的初學者，但它在24小時內就能趕上紅色的學習人類棋譜的AlphaGo，並在40小時內超越與李世乭對戰的AlphaGo。
在2017年12月，DeepMind還將AlphaGo Zero的方法用於國際象棋、日本將棋，稱為AlphaZero。它僅需幾個小時的訓練，就打敗瞭此前世界最強的程序，這證明AlphaGo方法的通用性極強。
AlphaGo的核心是深度捲積網絡。 深度捲積網絡：原理與實踐 下載 mobi epub pdf txt 電子書

很好的書，幫彆人買的，反饋很不錯。

相當不錯

還不錯，包裝好，我很喜歡。

適閤有機器學習基礎，想往深度學習進階的朋友

還可以吧。。。。。。。。。。。。。。。

京東買書都挺不錯的，趁著活動囤一大堆

有點貴，知識無價！

。

不錯的書，推薦一下吧。