三民網路書店 / 搜尋結果

► 一本完整高階的TensorFlow 2.x應用 ► 一定要選一個AI框架，TensorFlow是唯一選擇，加入動態圖、整合了Keras ► 學一個TensorFlow，會兩種AI Framework，怎麼看都划算 TensorFlow 是目前使用最廣泛的機器學習架構，能滿足廣大使用者的需求。如今TensorFlow 已經更新到2.X 版本，具有更強的便利性。TensorFlow在2.0版之後做

TensorFlow 是目前使用最廣泛的機器學習架構，滿足了廣大使用者的需求。如今TensorFlow 已經更新到2.x 版本，具有更強的便利性。 本書透過大量的實例說明在TensorFlow 架構上實現人工智慧的技術，相容TensorFlow 1.x 與TensorFlow 2.x 版本，覆蓋多種開發場景。 本書特色 ◎ 詳盡闡述tensorflow 1.x/2.x完整內容 ◎ 75個實作專案，

熟悉基礎，精通實戰。接續了上一本實戰篇的基礎，本書將介紹目前最流行的物體辨識和自然語言處理在圖神經網路上的最完整應用。當你熟悉了神經網路之後，接下來要精進的就是針對網路結果的強化及最佳化。在GNN的基礎上，針對目前最流行的視覺處理模型進行修改、架設及強化，並且實際應用在現有的平台上。本書的重點就是大量了使用現有的Python函數庫，並且應用了最新的資料集，讓你能真正看到資料套用在模型上的強大能力。在針對Pytorch的函數庫上，不但有視覺應用，更有號稱人工智慧明珠的NLP應用。使用了Torchtext以及NLP的唯一/最佳選擇Huggingface Transformers。而大家耳熟能詳，但又不知道怎麼用的模型，包括GPT-2、Transformer-XL、ALBERT、ELECTRA、DistillBERT等，在書中都有詳細介紹。另外為了解開DL的神祕，本書也難得介紹了Captum套件，讓深度神經網路更具可解釋性。本書最後也不忘介紹ZSL、這種極少量資料就可訓練高精度模型的方法。有關異質圖神經網路部分，也有大量DGL和NetworkX的範例，實戰篇+基礎篇兩本書，要不充分了解GNN都不行。本書亮點～GNN 最強實戰參考書～ 使用圖型的預訓練模型、Torschvision，GaitSet模型、CASIA-B資料集 高級NLP模型訓練及微調、BERTology、CBOW、Skip-Gram、Torchtext、spaCy 文字使用模型TextCNN來把玩IMDB資料庫 高階工程師才會用的Mist啟動函數、Ranger最佳化器 正宗NLP函數庫Huggingface Transformers詳解、AutoModel、AutoModelWithMHead、多頭注意力、PretrainedTokernizer

深度學習擅長處理結構規則的多維資料（歐氏空間），但現實生活中，很多不規則的資料如：社群、電子商務、交通領域，多是之間的關聯資料。彼此間以龐大的節點基礎與複雜的互動關係形成了特有的圖結構（或稱拓撲結構資料），這些資料稱為「非歐氏空間資料」，並不適合用深度學習的模型去分析。圖神經網路（Graph Neural Networks, GNN）是為了處理結構不規則資料而產生的，主要利用圖結構的資料，透過機器學習的方法進行擬合、預測等。〇 在結構化場景中，GNN 被廣泛應用在社群網站、推薦系統、物理系統、化學分子預測、知識圖譜等領域。〇 在非結構化領域，GNN 可以用在圖型和文字等領域。〇 在其他領域，還有圖生成模型和使用 GNN 來解決組合最佳化問題的場景。市面上充滿 NN 的書，但卻沒有一本完整說明 GNN，倘若不快點學這個新一代的神經網路，你會用的普通神經網路馬上就會落伍了！非歐氏空間才是最貼近人類生活的世界，而要真正掌握非歐氏空間的問題解決，GNN 是你一定要學的技術，就由本書一步步帶領你完全攻略！〇 使用 Graph 概念取代傳統的歐氏空間神經元〇 最好用的 PyTorch + Anaconda + Jupyter〇 從基礎的 CNN、RNN、GAN 開始上手神經網路〇 了解基礎的啟動函數、損失函數、L1/L2、交叉熵、Softmax 等概念〇 NLP 使用神經網路處理 + 多頭注意力機制〇 Few-shot/Zero-shot 的神經網路設計〇 空間域的使用，使用 DGL、Networkx〇 利用 GNN 進行論文分類本書特色～GNN 最強入門參考書～● 以初學者角度從零開始講解，消除讀者學習過程跳躍感● 理論和程式結合，便於讀者學以致用● 知識系統，逐層遞進● 內容貼近技術趨勢● 圖文結合，化繁為簡● 在基礎原理之上，注重通用規律

全書共分為4篇：第1篇，包括瞭解Python、配置機器及搭建開發環境、語言規則；第2篇，介紹了Python語言的基礎操作，包括變量與操作、控制流、函數操作、錯誤與異常、文件操作；第3篇，介紹了更高級的Python語法知識及應用，包括面向對象編程、系統調度編程；第4篇，是對前面知識的綜合及實際應用，包括爬蟲實戰、自動化實戰、機器學習實戰、人工智能實戰。本書結構清晰、案例豐富、通俗易懂、實用性強。特別

本書針對TensorFlow 1.0以上版本編寫，採用"實例”的形式編寫，通過60個實例全面而深入地講解"深度學習神經網絡原理”和"Tensorflow使用方法”兩方面。書中的實例具有很強的實用，如對圖片分類、製作一個簡單的聊天機器人、進行圖像識別等。本書還免費提供了所有案例的源代碼及數據樣本，這些代碼和樣本不僅方便了讀者學習，而且也能為以後的工作提供便利。全書共分為4篇： 第 1 篇 準備；

本書介紹如何在PyTorch框架中使用BERT模型完成自然語言處理（NLP）任務。BERT模型是當今處理自然語言任務效果最好的模型。掌握了該模型，就相當於掌握了當今主流的NLP技術。本書共3篇。-第1篇介紹了神經網絡的基礎知識、NLP的基礎知識，以及編程環境的搭建；-第2篇介紹了PyTorch編程基礎，以及BERT模型的原理、應用和可解釋性；-第3篇是BERT模型實戰，幫助讀者開闊思路、增長見識，使讀者能夠真正駕馭BERT模型，活學活用，完成自然語言處理任務。通過本書，讀者可以熟練地在PyTorch框架中開發並訓練神經網絡模型，快速地使用BERT模型完成各種主流的自然語言處理任務，獨立地設計並訓練出針對特定需求的BERT模型，輕鬆地將BERT模型封裝成Web服務部署到雲端。本書結構清晰、案例豐富、通俗易懂、實用性強，適合對自然語言處理、BERT模型感興趣的讀者作為自學教程。另外，本書也適合社會培訓學校作為培訓教材，還適合計算機相關專業作為教學參考書。

本書從基礎知識開始，介紹深度學習與圖神經網絡相關的一系列技術與實現方法，主要內容包括PyTorch的使用、神經網絡的原理、神經網絡的基礎模型、圖神經網絡的基礎模型。書中側重講述與深度學習基礎相關的網絡模型和算法思想，以及圖神經網絡的原理，且針對這些知識點給出在PyTorch框架上的實現代碼。本書適合想學習圖神經網絡的技術人員、人工智能從業人員閱讀，也適合作為大專院校相關專業的師生用書和培訓班的教材。

本書通過深度學習實例，從可解釋性角度出發，闡述深度學習的原理，並將圖神經網絡與深度學習結合，介紹圖神經網絡的實現技術。本書分為6章，主要內容包括：圖片分類模型、機器視覺的高級應用、自然語言處理的相關應用、神經網絡的可解釋性、識別未知分類的方法――零次學習、異構圖神經網絡。本書中的實例是在PyTorch框架上完成的，具有較高的實用價值。本書適合人工智能從業者、程序員進階學習，也適合作為大專院校相關專業師生的教學和學習用書，以及培訓學校的教材。

本書主要介紹了TensorFlow 2在機器視覺中的應用。本書共8章，主要內容包括神經網絡的原理，如何搭建開發環境，如何在網絡側搭建圖片分類器，如何識別圖片中不同膚色的人數，如何用遷移學習診斷醫療影像，如何使用Anchor-Free模型檢測文字，如何實現OCR模型，如何優化OCR模型。本書適合機器視覺、深度學習方面的專業人士閱讀。

本書通過96個案例，全面講解了深度學習神經網路原理和TensorFlow使用方法。全書共分為3篇，第1篇深度學習與TensorFlow基礎，包括快速瞭解人工智慧與TensorFlow、搭建開發環境、TensorFlow基本開發步驟、TensorFlow程式設計基礎、識別圖中模糊的手寫數位等內容；第2篇深度學習基礎――神經網路，介紹了神經網路的基礎模型，包括單個神經元、多層神經網路、卷積神經網路、迴

本書基於TensorFlow 2.1 版本進行編寫。書中內容分為4 篇。第1 篇包括TensorFlow 的安裝、使用方法。這部分內容可以使讀者快速上手TensorFlow 工具。第2 篇包括數據集製作、特徵工程等數據預處理工作，以及與數值分析相關的模型(其中包括wide_deep 模型、梯度提升樹、知識圖譜、帶有JANET 單元的RNN 等模型)。第3 篇從自然語言處理、計算機視覺兩個應用方向介