<meter id="11bx7"></meter>
在生成式人工智能的時(shí)代，我們見(jiàn)證了模型推理對(duì)存儲(chǔ)空間和計(jì)算能力的巨大需求，這對(duì)大語(yǔ)言模型和視覺(jué)生成模型的實(shí)際應(yīng)用提出了前所未有的挑戰(zhàn)。在這樣的背景下，高效模型壓縮和模型設(shè)計(jì)技術(shù)顯得尤為重要，它們是降低模型計(jì)算和存儲(chǔ)需求的關(guān)鍵，使得模型的快速部署和高效運(yùn)行成為可能。本書(shū)系統(tǒng)地介紹了高效模型壓縮和模型設(shè)計(jì)的方法，在編寫(xiě)上兼顧理論和實(shí)踐。本書(shū)主體部分詳細(xì)介紹了模型壓縮的方法論，包括高效模塊設(shè)計(jì)、模型剪枝、模型量化、模型二值化、神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索、知識(shí)蒸餾幾大部分。另外，簡(jiǎn)要介紹了定制化硬件加速
本書(shū)共9章，主要內(nèi)容有：深度學(xué)習(xí)模型性能評(píng)估、模型可視化、輕量級(jí)模型設(shè)計(jì)、模型剪枝、模型量化、遷移學(xué)習(xí)與知識(shí)蒸餾、自動(dòng)化模型設(shè)計(jì)、模型優(yōu)化與部署工具。
《基于深度學(xué)習(xí)的圖像處理與實(shí)踐》循序漸進(jìn)、深入淺出地講解了基于深度學(xué)習(xí)的圖像處理的核心知識(shí)，并通過(guò)具體實(shí)例演示了開(kāi)發(fā)深度學(xué)習(xí)圖像處理程序的方法和流程。全書(shū)共 14 章，分別講解了圖像識(shí)別技術(shù)基礎(chǔ)，scikit-image數(shù)字圖像處理，OpenCV 圖像視覺(jué)處理，dlib機(jī)器學(xué)習(xí)和圖像處理，face_recognition人臉識(shí)別，采樣、變換和卷積處理，圖像增強(qiáng)，圖像特征提取，圖像分割，目標(biāo)檢測(cè)，圖像分類(lèi)，國(guó)內(nèi)常用的第三方人臉識(shí)別平臺(tái)，斗轉(zhuǎn)星移換圖系統(tǒng)，智能OCR文本檢測(cè)識(shí)別系統(tǒng)等內(nèi)容。本書(shū)
本書(shū)是一本全面介紹深度學(xué)習(xí)和PyTorch實(shí)戰(zhàn)的入門(mén)指南。全書(shū)共11章，第1章主要介紹了深度學(xué)習(xí)的概念、應(yīng)用場(chǎng)景及如何搭建開(kāi)發(fā)環(huán)境。第2章詳細(xì)介紹PyTorch數(shù)學(xué)基礎(chǔ)，包括函數(shù)、微分、數(shù)理統(tǒng)計(jì)、矩陣等基礎(chǔ)知識(shí)及案例。第3章則介紹了數(shù)據(jù)預(yù)處理及常用工具，包括NumPy、Matplotlib、數(shù)據(jù)清洗、特征工程以及深度學(xué)習(xí)解決問(wèn)題的一般步驟等。第4章分別介紹了PyTorch的基本概念、深度神經(jīng)網(wǎng)絡(luò)以及數(shù)據(jù)建模。第5章重點(diǎn)介紹了卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)等；第6章則涵蓋了回歸分析、聚類(lèi)分析
在這本書(shū)中，作者著力討論了幾種獲取機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘算法性能的相關(guān)知識(shí)的方法。作者展示了如何再次利用這些知識(shí)來(lái)選擇、組合、編撰和調(diào)整算法和模型，從而為數(shù)據(jù)挖掘提供更快、更有效的解決方案，幫助研究人員改進(jìn)算法，并開(kāi)發(fā)能夠自我改進(jìn)的學(xué)習(xí)系統(tǒng)。本書(shū)的新版在舊版基礎(chǔ)上就內(nèi)容做了非常大的擴(kuò)充。作者介紹了最新的自動(dòng)機(jī)器學(xué)習(xí)方法，闡明了它與元學(xué)習(xí)之間的關(guān)系，他們解釋了操作鏈設(shè)計(jì)方法的自動(dòng)化問(wèn)題。這本書(shū)將引起機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘和人工智能領(lǐng)域的研究人員和研究生的興趣
本書(shū)涵蓋了一系列有監(jiān)督的機(jī)器學(xué)習(xí)方法，包括基礎(chǔ)方法(k-NN、決策樹(shù)、線性和邏輯回歸等)和高級(jí)方法(深度神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、高斯過(guò)程、隨機(jī)森林和提升等)，以及常用的無(wú)監(jiān)督方法(生成模型、k-均值聚類(lèi)、自動(dòng)編碼器、主成分分析和生成對(duì)抗網(wǎng)絡(luò)等)。所有方法都包含詳細(xì)的解釋和偽代碼。通過(guò)在方法之間建立聯(lián)系，討論一般概念(例如損失函數(shù)、最大似然、偏差-方差分解、核和貝葉斯方法)，同時(shí)介紹常規(guī)的實(shí)用工具(例如正則化、交叉驗(yàn)證、評(píng)估指標(biāo)和優(yōu)化方法)，本書(shū)始終將關(guān)注點(diǎn)放在基礎(chǔ)知識(shí)上。最后兩章為解決現(xiàn)
本書(shū)以通俗易懂的語(yǔ)言和有趣的插畫(huà)來(lái)解釋深度學(xué)習(xí)中的概念和方法, 生動(dòng)形象的插圖更容易幫助讀者理解和記憶。 同時(shí), 書(shū)中指導(dǎo)讀者將自己的理解制作成短視頻, 以加強(qiáng)學(xué)習(xí)效果。 另外, 書(shū)中還指導(dǎo)讀者在 Colab 平臺(tái)上進(jìn)行實(shí)踐。 本書(shū)內(nèi)容全面, 從基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)、 卷積神經(jīng)網(wǎng)絡(luò)、 循環(huán)神經(jīng)網(wǎng)絡(luò)等入門(mén)知識(shí), 到深度學(xué)習(xí)的應(yīng)用領(lǐng)域如計(jì)算機(jī)視覺(jué)、 自然語(yǔ)言處理等高級(jí)主題都有涉及。 本書(shū)具有豐富的趣味性、 互動(dòng)性和實(shí)踐性, 可以幫助讀者更好地理解深度學(xué)習(xí)知識(shí), 并為未來(lái)的職業(yè)發(fā)展打下堅(jiān)實(shí)的基礎(chǔ)。
全書(shū)共分為8章，可分為三個(gè)部分。讀者只需按照章節(jié)順序?qū)W習(xí)，即可掌握相關(guān)知識(shí)。第一部分為深度學(xué)習(xí)基礎(chǔ)篇，包括第1-2章，介紹Python基礎(chǔ)、數(shù)學(xué)基礎(chǔ)、深度學(xué)習(xí)的概念和任務(wù)等；第二部分為深度學(xué)習(xí)基本模型篇，包括第3-5章，介紹卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和基于自注意力機(jī)制的Transformer網(wǎng)絡(luò)；第三部分為自然語(yǔ)言應(yīng)用篇，包括第6-8章，介紹從詞向量、預(yù)訓(xùn)練語(yǔ)言模型、詞法分析等自然語(yǔ)言處理領(lǐng)域的應(yīng)用和實(shí)踐。書(shū)中各章節(jié)相互獨(dú)立，讀者可根據(jù)自己的興趣和時(shí)間情況選擇使用。書(shū)中每章都給出了相應(yīng)
教育信息化促進(jìn)了教育測(cè)評(píng)理念的變革，人工智能時(shí)代的教育更加關(guān)注以智能技術(shù)驅(qū)動(dòng)的學(xué)習(xí)者認(rèn)知分析與個(gè)性化學(xué)習(xí)的訴求。本書(shū)遵循"理論-方法-應(yīng)用"研究范式，探索人工智能時(shí)代的學(xué)習(xí)認(rèn)知分析的新理論與新方法。
本書(shū)是作者對(duì)自2008年起系統(tǒng)分析"機(jī)器能否獲得認(rèn)知發(fā)展能力"這一問(wèn)題而不得不先訴諸于"人工智能基礎(chǔ)問(wèn)題"或"認(rèn)知哲學(xué)"方面的研究其結(jié)果的總結(jié)。本書(shū)立論開(kāi)宗明義：將機(jī)器認(rèn)知發(fā)展問(wèn)題簡(jiǎn)化為"物理機(jī)器的概念產(chǎn)生問(wèn)題"。據(jù)此，作者遂建立起自己對(duì)"概念體系"的理論和對(duì)"心靈哲學(xué)"的基本觀念，之后使用符合哲學(xué)討論習(xí)慣的方式進(jìn)行論述，來(lái)揭示現(xiàn)有物理機(jī)器對(duì)此無(wú)能為力的本質(zhì)原因，并指出我們目前對(duì)"認(rèn)知發(fā)展如何進(jìn)行理論化"在哲學(xué)準(zhǔn)備上的欠缺之處。
新書(shū)資訊 新書(shū)推薦