描述
使用Python进行深度学习（第三版），由François Chollet和Matthew Watson撰写，是一本畅销书，深入探讨了使用Python进行深度学习的复杂性。本版已更新，以包括该领域的最新进展，如生成性人工智能、Keras 3、PyTorch和JAX。该书旨在为初学者和经验丰富的从业者提供清晰且实用的方法，以理解深度学习的概念和应用。
阅读更多
本书首先解释了深度学习为何成为人工智能中的一种变革性方法。它强调了深度学习如何自动化特征工程，如何与硬件高效扩展，以及如何创建可适应各种任务的多功能、可重用模型。读者将了解基础模型的影响，这些模型在使用自我监督的广泛数据集上进行训练，并可以针对各种下游任务进行微调，从而减少对特定任务模型的需求。
书中有相当一部分内容专门讨论解决机器学习问题的通用工作流程。该工作流程包括定义任务、开发模型以及将其部署到生产中，同时持续监控和改进其性能。作者提供了关于如何将现实世界问题框架化为机器学习任务的见解，通过理解业务背景、识别可用数据，并将问题映射到适合的机器学习任务，如分类、回归或排序。
本书还涵盖了设计卷积神经网络架构的最佳实践，包括使用残差连接、批量归一化和深度可分离卷积。此外，它讨论了视觉变换器如何与传统卷积网络在计算机视觉中有所不同，强调了它们处理图像作为补丁序列并捕捉长距离依赖的能力。
现代目标检测模型如YOLO和RetinaNet被探讨，解释了它们如何在单一步骤中预测边界框和类别概率，以实现快速准确的目标检测。作者还深入探讨了时间序列预测的深度学习技术，以及变换器架构如何通过注意机制增强高级语言建模。最后，讨论了使用语言模型生成连贯文本的策略以及如何为大型模型和数据集扩展深度学习训练的方法，使本书成为任何对深度学习领域感兴趣的人的重要资源。
- 类别其他 AI 工具
图书信息
作者：François Chollet和Matthew Watson
出版年份：2023
页数：400
可用格式：平装书、电子书
出版社：Manning Publications
技能水平：中级到高级
适合的读者
- 图像分类
- 目标检测
- 文本生成
- 时间序列预测
- 图像分割
