在生成式人工智能的時代，我們見證了模型推理對存儲空間和計算能力的巨大需求，這對大語言模型和視覺生成模型的實際應用提出了前所未有的挑戰。在這樣的背景下，高效模型壓縮和模型設計技術顯得尤為重要，它們是降低模型計算和存儲需求的關鍵，使得模型的快速部署和高效運行成為可能。本書系統地介紹了高效模型壓縮和模型設計的方法，在編寫上兼顧理論和實踐。本書主體部分詳細介紹了模型壓縮的方法論，包括高效模塊設計、模型剪枝、模型量化、模型二值化、神經網絡架構搜索、知識蒸餾幾大部分。另外，簡要介紹了定制化硬件加速
本書共9章，主要內容有：深度學習模型性能評估、模型可視化、輕量級模型設計、模型剪枝、模型量化、遷移學習與知識蒸餾、自動化模型設計、模型優化與部署工具。
《基于深度學習的圖像處理與實踐》循序漸進、深入淺出地講解了基于深度學習的圖像處理的核心知識，并通過具體實例演示了開發深度學習圖像處理程序的方法和流程。全書共 14 章，分別講解了圖像識別技術基礎，scikit-image數字圖像處理，OpenCV 圖像視覺處理，dlib機器學習和圖像處理，face_recognition人臉識別，采樣、變換和卷積處理，圖像增強，圖像特征提取，圖像分割，目標檢測，圖像分類，國內常用的第三方人臉識別平臺，斗轉星移換圖系統，智能OCR文本檢測識別系統等內容。本書
本書是一本全面介紹深度學習和PyTorch實戰的入門指南。全書共11章，第1章主要介紹了深度學習的概念、應用場景及如何搭建開發環境。第2章詳細介紹PyTorch數學基礎，包括函數、微分、數理統計、矩陣等基礎知識及案例。第3章則介紹了數據預處理及常用工具，包括NumPy、Matplotlib、數據清洗、特征工程以及深度學習解決問題的一般步驟等。第4章分別介紹了PyTorch的基本概念、深度神經網絡以及數據建模。第5章重點介紹了卷積神經網絡、循環神經網絡等；第6章則涵蓋了回歸分析、聚類分析
在這本書中，作者著力討論了幾種獲取機器學習和數據挖掘算法性能的相關知識的方法。作者展示了如何再次利用這些知識來選擇、組合、編撰和調整算法和模型，從而為數據挖掘提供更快、更有效的解決方案，幫助研究人員改進算法，并開發能夠自我改進的學習系統。本書的新版在舊版基礎上就內容做了非常大的擴充。作者介紹了最新的自動機器學習方法，闡明了它與元學習之間的關系，他們解釋了操作鏈設計方法的自動化問題。這本書將引起機器學習、數據挖掘和人工智能領域的研究人員和研究生的興趣
本書涵蓋了一系列有監督的機器學習方法，包括基礎方法(k-NN、決策樹、線性和邏輯回歸等)和高級方法(深度神經網絡、支持向量機、高斯過程、隨機森林和提升等)，以及常用的無監督方法(生成模型、k-均值聚類、自動編碼器、主成分分析和生成對抗網絡等)。所有方法都包含詳細的解釋和偽代碼。通過在方法之間建立聯系，討論一般概念(例如損失函數、最大似然、偏差-方差分解、核和貝葉斯方法)，同時介紹常規的實用工具(例如正則化、交叉驗證、評估指標和優化方法)，本書始終將關注點放在基礎知識上。最后兩章為解決現
本書以通俗易懂的語言和有趣的插畫來解釋深度學習中的概念和方法, 生動形象的插圖更容易幫助讀者理解和記憶。 同時, 書中指導讀者將自己的理解制作成短視頻, 以加強學習效果。 另外, 書中還指導讀者在 Colab 平臺上進行實踐。 本書內容全面, 從基礎的神經網絡、 卷積神經網絡、 循環神經網絡等入門知識, 到深度學習的應用領域如計算機視覺、 自然語言處理等高級主題都有涉及。 本書具有豐富的趣味性、 互動性和實踐性, 可以幫助讀者更好地理解深度學習知識, 并為未來的職業發展打下堅實的基礎。
全書共分為8章，可分為三個部分。讀者只需按照章節順序學習，即可掌握相關知識。第一部分為深度學習基礎篇，包括第1-2章，介紹Python基礎、數學基礎、深度學習的概念和任務等；第二部分為深度學習基本模型篇，包括第3-5章，介紹卷積神經網絡、循環神經網絡和基于自注意力機制的Transformer網絡；第三部分為自然語言應用篇，包括第6-8章，介紹從詞向量、預訓練語言模型、詞法分析等自然語言處理領域的應用和實踐。書中各章節相互獨立，讀者可根據自己的興趣和時間情況選擇使用。書中每章都給出了相應
教育信息化促進了教育測評理念的變革，人工智能時代的教育更加關注以智能技術驅動的學習者認知分析與個性化學習的訴求。本書遵循"理論-方法-應用"研究范式，探索人工智能時代的學習認知分析的新理論與新方法。
本書是作者對自2008年起系統分析"機器能否獲得認知發展能力"這一問題而不得不先訴諸于"人工智能基礎問題"或"認知哲學"方面的研究其結果的總結。本書立論開宗明義：將機器認知發展問題簡化為"物理機器的概念產生問題"。據此，作者遂建立起自己對"概念體系"的理論和對"心靈哲學"的基本觀念，之后使用符合哲學討論習慣的方式進行論述，來揭示現有物理機器對此無能為力的本質原因，并指出我們目前對"認知發展如何進行理論化"在哲學準備上的欠缺之處。
新書資訊 新書推薦