Python深度元學(xué)習(xí)算法

定　價(jià)：￥59.50

作　者：	王茂發(fā)，陳慧靈，徐艷琳，龔啟舟，冷志雄，萬(wàn)泉，顏丙辰
出版社：	清華大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥44.60)

ISBN：	9787302649519	出版時(shí)間：	2023-12-01	包裝：	平裝-膠訂
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書全面介紹了深度元學(xué)習(xí)技術(shù)的知識(shí)，包括元學(xué)習(xí)、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及其技術(shù)平臺(tái)和應(yīng)用案例，給出了一套較為完備的深度元學(xué)習(xí)框架，并根據(jù)作者所在課題組的研究成果提出了一些具有啟發(fā)性的元學(xué)習(xí)算法和思考方向。全書共9章。第1章主要介紹元學(xué)習(xí)的基本概念、基本任務(wù)和基本類型；第2章系統(tǒng)介紹深度學(xué)習(xí)的概念、原理和應(yīng)用，幫助讀者逐步具備一定的深度學(xué)習(xí)實(shí)踐能力；第3章介紹一種簡(jiǎn)單的元學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)——孿生網(wǎng)絡(luò)；第4章介紹原型網(wǎng)絡(luò)及其各種變體；第5章介紹兩種有趣單樣本元學(xué)習(xí)算法——關(guān)系網(wǎng)絡(luò)和匹配網(wǎng)絡(luò)；第6章介紹記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)；第7章進(jìn)一步介紹饒有趣味且應(yīng)用廣泛的元學(xué)習(xí)算法——模型無(wú)關(guān)元學(xué)習(xí)及其變種；第8章介紹另外兩種經(jīng)典的元學(xué)習(xí)模型——MetaSGD和Reptile；第9章深入介紹元學(xué)習(xí)的一些新進(jìn)展與**研究成果——基于樣本抽樣和任務(wù)難度自適應(yīng)的深度元學(xué)習(xí)理論。全書提供大量應(yīng)用實(shí)例和配套代碼，每章后均附有適量思考題，引發(fā)讀者思考和討論。全書行文淺顯易懂，深入淺出，適合作為高等學(xué)校計(jì)算機(jī)相關(guān)專業(yè)研究生或高年級(jí)本科生開(kāi)展元學(xué)習(xí)理論教學(xué)，也可供廣大AI技術(shù)開(kāi)發(fā)和研究人員參考。

作者簡(jiǎn)介

暫缺《Python深度元學(xué)習(xí)算法》作者簡(jiǎn)介

圖書目錄

第1章元學(xué)習(xí)簡(jiǎn)介1
1.1元學(xué)習(xí)1
1.2元學(xué)習(xí)的類型2
1.2.1學(xué)習(xí)度量空間2
1.2.2學(xué)習(xí)初始化3
1.2.3學(xué)習(xí)優(yōu)化器3
1.3嵌套梯度下降法實(shí)現(xiàn)元學(xué)習(xí)4
1.4少樣本學(xué)習(xí)的優(yōu)化模型6
1.5小結(jié)9
1.6思考題9
參考文獻(xiàn)9第2章深度學(xué)習(xí)11
2.1深度學(xué)習(xí)的概念11
2.2深度神經(jīng)網(wǎng)絡(luò)概述12
2.2.1人工神經(jīng)網(wǎng)絡(luò)12
2.2.2深度神經(jīng)網(wǎng)絡(luò)15
2.3卷積神經(jīng)網(wǎng)絡(luò)概述17
2.3.1卷積神經(jīng)網(wǎng)絡(luò)17
2.3.2卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)17
2.3.3卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練24
2.3.4VGG——卷積神經(jīng)網(wǎng)絡(luò)的代表性網(wǎng)絡(luò)25
2.4循環(huán)神經(jīng)網(wǎng)絡(luò)28
2.4.1循環(huán)神經(jīng)網(wǎng)絡(luò)概念28
2.4.2長(zhǎng)短期記憶（LSTM）網(wǎng)絡(luò)30
2.5生成對(duì)抗網(wǎng)絡(luò)32
2.5.1生成器33
2.5.2判別器34
2.5.3訓(xùn)練過(guò)程35
2.5.4小結(jié)36
2.6Transformer及擴(kuò)散模型37
2.6.1編碼組件38
2.6.2解碼組件39
2.6.3擴(kuò)散模型40
2.7小結(jié)42
2.8思考題43
參考文獻(xiàn)43第3章孿生網(wǎng)絡(luò)45
3.1孿生網(wǎng)絡(luò)簡(jiǎn)介45
3.2孿生網(wǎng)絡(luò)的架構(gòu)47
3.3孿生網(wǎng)絡(luò)的衍生48
3.3.1偽孿生網(wǎng)絡(luò)49
3.3.2三胞胎連體網(wǎng)絡(luò)49
3.3.3三胞胎偽孿生網(wǎng)絡(luò)50
3.4孿生網(wǎng)絡(luò)的發(fā)展及應(yīng)用51
3.5案例：利用孿生網(wǎng)絡(luò)進(jìn)行圖像識(shí)別52
3.6小結(jié)59
3.7思考題59
參考文獻(xiàn)60第4章原型網(wǎng)絡(luò)及其變體61
4.1原型網(wǎng)絡(luò)61
4.1.1原型網(wǎng)絡(luò)的基本算法63
4.1.2用于分類的原型網(wǎng)絡(luò)結(jié)構(gòu)64
4.2高斯原型網(wǎng)絡(luò)67
4.3半原型網(wǎng)絡(luò)69
4.4小結(jié)71
4.5思考題72
參考文獻(xiàn)72第5章關(guān)系網(wǎng)絡(luò)與匹配網(wǎng)絡(luò)73
5.1關(guān)系網(wǎng)絡(luò)73
5.1.1單樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)74
5.1.2少樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)77
5.1.3零樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)78
5.2匹配網(wǎng)絡(luò)85
5.3小結(jié)86
5.4思考題87
參考文獻(xiàn)87第6章記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)88
6.1神經(jīng)圖靈機(jī)（NTM）89
6.1.1NTM中的讀、寫機(jī)制90
6.1.2尋址機(jī)制92
6.2基于NTM的復(fù)制任務(wù)94
6.2.1NTM模型的初始化94
6.2.2定義讀寫操作97
6.2.3定義尋址機(jī)制98
6.2.4定義復(fù)制任務(wù)100
6.2.5定義訓(xùn)練函數(shù)102
6.2.6實(shí)現(xiàn)重復(fù)復(fù)制105
6.3記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)（MANN）111
6.3.1MANN的讀操作111
6.3.2MANN的寫操作113
6.3.3MANN的應(yīng)用114
6.4小結(jié)116
6.5思考題116
參考文獻(xiàn)117第7章模型無(wú)關(guān)元學(xué)習(xí)及其變種118
7.1MAML118
7.1.1MAML算法121
7.1.2監(jiān)督學(xué)習(xí)中的MAML123
7.1.3從頭構(gòu)建MAML125
7.1.4強(qiáng)化學(xué)習(xí)中的MAML142
7.2ADML144
7.2.1FGSM144
7.2.2ADML的流程145
7.2.3從頭構(gòu)建ADML146
7.3CAML151
7.4小結(jié)152
7.5思考題153
參考文獻(xiàn)153第8章MetaSGD和Reptile154
8.1MetaSGD簡(jiǎn)介154
8.1.1MetaSGD用于監(jiān)督學(xué)習(xí)155
8.1.2MetaSGD用于強(qiáng)化學(xué)習(xí)160
8.2Reptile簡(jiǎn)介163
8.2.1Reptile的基本算法164
8.2.2Reptile用于正弦曲線回歸166
8.3小結(jié)168
8.4思考題169
參考文獻(xiàn)170第9章新進(jìn)展與未來(lái)方向171
9.1元模仿學(xué)習(xí)171
9.2任務(wù)無(wú)關(guān)元學(xué)習(xí)174
9.2.1熵最大化/熵約簡(jiǎn)175
9.2.2不平等最小化177
9.3無(wú)監(jiān)督元學(xué)習(xí)181
9.4樣本抽樣自適應(yīng)元學(xué)習(xí)183
9.5任務(wù)難度自適應(yīng)元學(xué)習(xí)186
9.6小結(jié)189
9.7思考題190
參考文獻(xiàn)190