当前位置:
首页 > 互联网+ > 人工智能 > 深度学习:基于Python语言和TensorFlow平台(视频讲解版)pdf/doc/txt格式电子书下载

深度学习:基于Python语言和TensorFlow平台(视频讲解版)pdf/doc/txt格式电子书下载

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

深度学习:基于Python语言和TensorFlow平台(视频讲解版)pdf/doc/txt格式电子书下载

书名:深度学习:基于Python语言和TensorFlow平台(视频讲解版)pdf/doc/txt格式电子书下载

推荐语:

作者:谢琼著

出版社:人民邮电出版社

出版时间:2018-08-01

书籍编号:30452948

ISBN:9787115483621

正文语种:中文

字数:294522

版次:1

所属分类:互联网+-人工智能

全书内容:

深度学习:基于Python语言和TensorFlow平台(视频讲解版)pdf/doc/txt格式电子书下载






内容提要


本书从人工智能发展的简要历程和深度学习概念的介绍开始,深入浅出地讲解了如何使用人工智能神经网络(尤其是当前最具潜力与热度的深度学习理论和技术)来解决实际问题。认真阅读完本书,即可掌握深度学习技术的基础知识、重要概念、主要方法和部分最佳实践,并具备足够继续往下深造的自学能力。


本书中的案例均是结合生活中真实场景的鲜活实例,配合从零开始循序渐进的讲解,并尽量避开枯燥的数学理论和烦琐的推导过程,非常适合希望快速入门的学习者和技术人员,也适合希望简要了解人工智能、神经网络、深度学习基本概念和思维方法的读者。

前言


人工智能(Artificial Intelligence,AI)从孕育、诞生至今,已经有近80年历史了。近80年的光阴,虽然在历史的长河中不过是浪花一朵,但如果以人的一生来说,已经是进入耄耋之年了。但奇迹般的是,随着深度学习技术的横空出世,人工智能又神奇地焕发出了再一次的“青春”。深度学习系统AlphaGo及其升级版本一再战胜围棋领域的多位世界冠军级选手,最后甚至到了一败难求、人类选手只能仰视的地步,不能不说这是引起了世人广泛关注人工智能领域的决定性事件。指纹识别、人脸识别、无人驾驶等应用了深度学习方法而又贴近人们日常生活的技术,可以说深刻地改变了人类的生活和消费方式,也因此让人工智能更加深入人心,激起了人工智能(尤其是深度学习领域)的学习热潮。


笔者从小学三年级开始学习计算机,初中时就有机会接触第一个人工智能应用Animals,这是一款通过人的训练,不断向人提问,来猜测人心中所想的一种动物的程序。程序每次猜错后,会要求人提供一个可以纠正其判断逻辑的新问题,从而猜测得越来越准,能猜的动物越来越多。后来笔者也接触过当时最热的人工智能语言之一——Prolog语言。从那时起,笔者和大多数人工智能领域专家等都认为人工智能始终是要在人的指导下进行学习的,甚至到IBM公司的DeepBlue(深蓝)系统战胜了围棋世界冠军卡斯帕罗夫后仍没有改变这个观点。然而,深度学习的出现,颠覆了大多数人的看法,尤其是AlphaGo Zero系统,只在了解围棋基本下棋规则的基础上,完全不依赖人类的围棋知识,进行不到一天的自我学习,就能对围棋、国际象棋、日本将棋等最高水平的人类选手,甚至是AlphaGo这个它的前任实现完美超越。这充分证明了人工智能能够不依赖人类,从零开始,自己分析事物的逻辑,提取数据的特征,解决超出人脑计算和思考能力之外的问题。


因此,虽然计算机还缺少人类所具有的很多思考模式、逻辑创新、情感产生和变化的能力,但是在处理一些基于经验的、需要海量处理和计算(如图片、语音、视频的识别等)的机械任务上,人工智能已经具备条件帮助人类去更快、更准地完成。而以大数据为基础的逻辑判断和行为决断(如无人驾驶和医疗机器人),是深度学习下一步发展的目标。


当前对几款主流的深度学习框架(如谷歌的TensorFlow、微软的CNTK、新锐MXNet及老牌的Theano和Caffe、另辟蹊径的Torch等)的学习,无论是在国内还是在国外,可以说是如火如荼。然而,由于深度学习技术的基础属于人工智能中神经网络相关的知识范畴,而神经网络的研究又基于线性代数、矩阵运算、微积分、图论、概率论等复杂的数学理论,市面上出版的一些书也是开篇就讲这些数学理论基础,这让很多初学者望而生畏。另外,这些深度学习框架的最新文档大多为英文,并且直接讲类似MNIST的较复杂图像识别范例。诚然,图像识别是深度学习中最激动人心的创新应用之一,也是本次人工智能大潮的焦点,但对初学者来说,骤然跨过这么高的门槛反而会增加入门的难度,并影响学习的信心。


本书就是为了解决初学者可能遇到的门槛问题而著。书中精选了几个最贴近生活的、浅显易懂的实际问题,采用手把手实例讲解的方式,帮助初学者少走弯路,迈好踏入深度学习殿堂的第一步,打好进一步提高的知识基础,也树立继续进阶学习的充足信心。本书中的实例讲解均基于使用Python语言的TensorFlow框架,只需稍具Python语言编程的基础,通过阅读本书,就可以迅速掌握用深度学习技术解决实际问题的方法,并具备举一反三的能力。没有任何编程基础或无意学习编程开发的读者,也可以通过本书了解深度学习的概念和它的科学思维方法。本书第2章中还为有兴趣学编程的读者准备了快速编程入门的内容,学习后基本能够看懂本书所有实例中的代码。


最后,作为入门书籍,根据笔者常年进行企业培训和在线教育的经验,太过追求严谨和精确的概念定义或深陷于数学理论的推导,反而会影响初学者对相关知识的理解。因此,本书尽量减少对纯数学理论的研究探讨,对概念和一些理论知识也做了一定简化易懂的处理,这样有益于读者快速掌握基础知识和加强进一步自学深造的能力。本书在章节上也进行了精心的编排,确保读者能够循序渐进地学习;各个概念和知识点的引入也是精心穿插在合适的章节位置中,既能避免读者死记硬背大量理论知识,又能保证学习相关技术前拥有必需的知识基础。


本书提供了配套视频文件和其他配套资源,读者可到人邮教育社区(www.ryjiaoyu.com)下载。


由于编写时间仓促、编写水平有限,书中疏漏或不妥之处在所难免,请广大读者、同仁不吝指教,予以指正。另外,如有任何关于本书的建议或疑问等,欢迎发送电子邮件到topget@sina.com进行交流。


编者
2018年1月

第1章 人工智能极简历史

本书的内容重点不在于人工智能的历史,但了解人工智能的发展历程和主要理论、关键技术、重要事件出现的经纬,对于后面理解深度学习的知识无疑是有帮助的。因此,本章试图用最简要的描述,勾勒出人工智能发展至今近80年的历史大脉络。

1.1 重要的奠基时期


人类利用机器来帮助自身工作的愿望由来已久,但人工智能并不是凭空产生的,它的诞生有着深刻的历史背景和先决条件。总结起来说,人工智能诞生的关键要素有下面几个。


1.1.1 神经元的研究和人工神经元模型的提出


人类对大脑的研究由来已久,在19世纪末到20世纪初,在大脑神经系统的研究方面获得了突破性的进展。1906年,西班牙神经组织学家、被誉为现代神经科学之父的圣地亚哥·拉蒙-卡哈尔(Santiago Ramóny Cajal)因对人脑神经系统的突出贡献获得当年的诺贝尔生理学或医学奖。他明确阐述了神经元(也叫作神经细胞)的独立性和神经元之间通过树枝状触角相互连接的关系,奠定了生物神经网络(Biological Neural Networks)的基础,也为人工神经网络(Artificial Neural Network,常简称为神经网络)提供了可参考的重要依据。


图1.1是一个典型的单个生物神经元结构的示意图。每个神经元除包括细胞体和细胞核以外,一般还包括树枝状的树突和较长的一条轴突。树突和轴突都与其他神经元相连接,连接形成的组织叫作突触。树突是神经元的输入部分,也就是接收信号的结构;轴突是神经元的输出部分,也就是输出信号的结构。

48362-00-11-1.png

图1.1 生物神经元结构示意图

如图1.2中示意的,不同神经元之间通过突触相互连接,形成了生物神经网络。这是神经系统的主要构成形式。

48362-00-11-2.png

图1.2 生物神经网络示意图

1943年,神经学家沃伦·麦卡洛克(Warren McCulloch)和年轻的数学家沃尔特·皮茨(Walter Pitts )这一对绝妙的组合提出了一个人工神经元的模型——麦卡洛克-皮茨神经元模型(McCulloch-Pitts Neuron Model),一般简称为MP模型,如图1.3所示。

48362-00-12-1.png

图1.3 MP模型描述的人工神经元示意图

图1.3圆圈中是一个人工神经元(后面简称神经元)。与生物神经元的树突类似,每个神经元可以接受多个输入,也就是图中的X1X2,直至Xn,每个X输入到神经元后,会进行放大或缩小,也就是乘上一个权重值W,即图中的W1Wn,然后进行相加求和操作,也就是图中的∑符号所表示的操作。∑操作求得的值再经过一个门限函数T,得到最终的输出值YY也就形似生物神经元的轴突。门限函数T后来一般叫作激活函数(Activation Function)。在后来的模型中,也常常在∑操作后再加上一个偏移量b来增加模型的适应性,也就是图中虚线箭头所示的部分。


每一个神经元的输出又可以作为下一个神经元的输入,因此,多个神经元就可以组成现代意义上的人工神经网络。


MP模型的提出无疑是人工智能史上最具有开创性的事件之一,具有极其深远的影响。迄今为止,神经网络的基本元素间仍然在使用该模型。它的意义在于,给出了一个可实际参照实施的神经网络的最小构件,在此基础上,神经网络就可以像拼插积木一样堆积而成。


1.1.2 计算机和程序的出现


1930年,美国科学家范内瓦·布什造出世界上首台模拟电子计算机。1945年末至1946年初,世界上第一台数字计算机埃尼阿克诞生在美国宾夕法尼亚大学,ENIAC是Electronic Numerical Integrator And Calculator(电子数字积分计算机)的缩写。1951年,第一台实现了“计算机之父”冯·诺依曼提出的冯·诺依曼体系结构的计算机EDVAC (Electronic Discrete Variable Automatic Computer,离散变量自动电子计算机)问世。冯·诺依曼体系结构主要有3个创新:一是首次用二进制代替了十进制数字;二是提出了程序存储在数字计算机内运行的方式;三是提出了计算机中运算器、控制器、存储器、输入设备和输出设备这五大基本组成部件。至今为止,哪怕是最先进的计算机,仍在使用冯·诺依曼体系结构。


计算机和程序的出现,使得人工智能的实现有了硬件和软件基础(虽然当时还没有完整的软件的概念)。通俗地说,人类拥有计算机后,相当于拥有了第二个大脑,可以帮助人类思考和计算,所以后来也把计算机叫作“电脑”。而这第二个大脑所做的事情,已经具备了人工智能的雏形。人工智能的主要特征包括思维和行为,而从一定意义上来说,程序就是人类思维的体现,执行程序就是计算机的行为方式。


1.1.3 图灵测试的提出


被视为计算机科学奠基人之一的艾伦·图灵(Alan Turing)也被视为人工智能之父,这是因为他在1950年发表了一篇名为《计算机器与智能》(Computing Machinery and Intelligence)的论文,里面提出了“机器能思考吗?”的问题,并给出了肯定的答案。这篇论文中,图灵驳斥了一些反对的观点,描述了人工智能研究的目的,给出了人工智能发展的方向,并预言了真正具有思维能力的机器的出现,被广泛视为人工智能理论的开山之作。


图灵还提出了被称为“图灵测试”(见图1.4)的一种判断机器是否能够有思维的测试方法,即由一个人(A)同时分别与另一个人(B)及一台机器(C)进行对话,对话的双方互不见面,仅以文字方式进行,由A负责提问,BC分别进行回答。如果有相当多的人扮演A的角色并问了一系列问题后,其中有一定比例的人无法判断出BC哪个是人哪个是机器,那么就说明机器具备了智能。

48362-00-13-1.png

图1.4 图灵测试示意图

图灵预言,在20世纪末,一定会有计算机通过图灵测试。到了2014年,终于有人,或者应该说是有机器通过了从1991年开始的年度图灵测试,它就是由俄罗斯人弗拉基米尔·维西罗夫(Vladimir Veselov)开发的人工智能聊天机器人软件——尤金·古斯特曼(Eugene Goostman)。图灵的预言终于实现了。


图灵的贡献主要在于:坚定地确认了人工智能成功的可能性,并确定了一个判断人工智能成功与否的标准。


1.2 人工智能的诞生


说到人工智能的诞生,就不能不提到达特茅斯会议(Dartmouth Conference)。1956年夏天,以约翰·麦卡锡(John McCarthy,计算机与认知科学家,也被誉为人工智能之父)、马文·明斯基(Marvin Minsky,人工智能与认知学专家)、克劳德·香农(Claude

....

本站仅展示书籍部分内容

如有任何咨询

请加微信10090337咨询

本站仅展示书籍部分内容
如有任何咨询

请加微信10090337咨询

再显示