各位亲们,时隔一年,有三AI带着新书归来啦(让小天看到你们兴奋的爪爪)。紧抓AI领域深度学习热点,让有三AI带你透过算法和实践,搭上模型设计的快车道。
如书名《深度学习之模型设计:核心算法与案例实践》,这是一本讲述深度学习模型设计核心算法的书籍,同时配套有大量实战案例,以下为实拍图。
全书共计14章,目录如下:
第1章 神经网络和计算机视觉基础
第2章 深度学习的基础
第3章 数据集、评测指标与优化目标
第4章 加深网络,提升模型性能
第5章 1×1卷积,通道维度升降的利器
第6章 加宽网络,提升模型性能
第7章 残差连接,深层网络收敛的关键
第8章 分组卷积与卷积拆分,移动端高效率经典模型
第9章 多尺度网络与非正常卷积,更丰富的感受野与不变性
第10章 多输入网络,图像检索和排序的基准模型
第11章 时序神经网络,有记忆的网络更聪明
第12章 卷积从二维变成三维,实现升维打击
第13章 动态推理与注意力机制,网络因样本而异
第14章 生成对抗网络
第1章,讲解神经网络与计算机视觉基础,会给图像基础薄弱的同学补充必要的图像处理知识。
第2章,讲解深度学习基础,发展背景,核心优化技术。
第3章,集中讲解本书使用到的数据集、评测指标与优化目标。
第4章 追根溯源,理论与实践分析深度与模型性能的关系。
第6章 追根溯源,理论与实践分析宽度与模型性能的关系。
第7章 详细讨论残差连接的由来,有效性分析及其结构发展。
第8章 详细讨论分组卷积的由来,有效性分析及其结构发展。
第9章 详解多尺度网络,非正常卷积与感受野控制设计思想。
第10章 介绍多输入网络在图像检索和排序中的应用。
第11章 讲解RNN及其变种,LSTM原理和实战。
第13章 详解动态推理与注意力机制,剖析同样的网络如何因为样本而产生不同的工作机制。
遵循有三一贯的风格,本书有一些特点如下:
(1) 内容全面,时间跨度很大,紧扣前沿。本书既详解了从上个世纪90年代萌芽的卷积神经网络技术,也介绍了最新的技术,时间跨度超过30年,来龙去脉都力求详尽。
(2) 理论详细,原理深刻。本书并不只是简单罗列当前各类模型,而是会从起源开始分析背后的原理,条分缕析地剖析其中设计思想。
(3) 实践充分,由浅入深。书中内容的章节设置都是先说清楚理论,然后紧接着选取最具有代表性的内容进行项目实践。
更多评点可以查看几个师长和朋友的推荐。
依图科技CTO 新加坡工程院院士 IEEE Fellow 颜水成:
深度学习,特别是卷积神经网络,在过去几年极大地推进了计算机视觉各方向在学术界和工业界的发展,熟练掌握深度学习模型的设计思想对于相关技术人员更好地完成计算机视觉的各类任务至关重要。本书作者基于自身丰富的实践经验,对当前深层卷积神经网络模型的发展脉络做了详细的总结。跟随作者的指引,读者既能进行全面的理论学习,也能深度体验相关实践。
新智元创始人、CEO 杨静:
深度学习将人工智能浪潮推上新巅峰,模型设计的迭代速度和复杂程度比以往更甚。言有三用在深度学习领域丰富的专业知识和从业经验填补了业界深度学习模型设计类图书的空白。本书可以带领从业者详细了解深度学习尤其是卷积神经网络模型架构的演变和其中核心的设计技术,知识体系完善,理论和实践兼具,为相关的教学和开发实战提供了参考。
中国科学院半导体研究所研究员 鲁华祥:
本书是一位在深度学习与计算机视觉领域工作多年的有为青年根据自身经历和经验,以理论结合案例的形式系统阐述深度学习模型,尤其是卷积神经网络模型发展历程的好书。本书内容非常完整、专业,值得认真阅读、学习。
知识星球CEO 吴鲁加:
言有三拥有丰富的深度学习领域从业经验,并组建了高质量的有三AI公众号和有三AI知识星球学习社区。本书非常详细地介绍了卷积神经网络模型架构的演变,理论和实践价值很高,并且相关内容会在有三AI知识星球中持续更新,值得相关从业人员学习和参考。
当然由于水平和时间有限,本书也有一些不足之处。
(1) 内容未必最全。本书主讲通用的深度学习模型设计思想,由于篇幅限制,无法对每一个研究方向都进行详细地介绍,感兴趣的可以移步有三AI知识星球中的各大板块进行学习。
另外关于模型优化和压缩的内容没有收录全面,这会在我的下一本《深度学习模型优化》中详细讲解,想提前学习可以参加有三AI秋季划模型优化组,先睹为快。
(2) 本书力求充分讲解原理和实践,成为适合该学科教学的教材,但是并没有设置相关课后习题,读者还需多读多思考。
留言有奖
欢迎亲亲到评论区留言,截至24号晚12点获赞数最多前三位,将获言有三新书《深度学习之模型设计:核心算法与案例实践》签名版一本
Spark“数字人体”AI挑战赛--脊柱疾病智能诊断大赛
2020天池国际学术会议联赛KDD、IJCAI、CVPR学术顶会赛事,Let's Battle!