新書推薦：
《
黑海史：从历史涟漪到时代巨浪
》
售價：NT$
538.0
《
楼边人似玉
》
售價：NT$
262.0
《
我，毕加索
》
售價：NT$
280.0
《
投资真相
》
售價：NT$
381.0
《
非洲大陆简史（萤火虫书系）
》
售價：NT$
437.0
《
中国龙的发明：近现代中国形象的域外变迁
》
售價：NT$
559.0
《
和离：完结篇
》
售價：NT$
296.0
《
知宋·宋代之军事
》
售價：NT$
442.0
|
| 編輯推薦： |
立足于现有元学习、深度学习、机器学习技术，给出一套较为完备的深度元学习技术框架，同时加入了笔者所在课题组的一些最新研究成果，提出了一系列具有启发性的元学习算法和思考方向。
l行文力求浅显易懂、深入浅出，每章课后还配有相应的思考题，可以作为高等学校计算机相关专业研究生或高年级本科生理论教学，也可以作为学习深度元学习技术的参考书。
|
| 內容簡介： |
|
本书全面介绍了深度元学习技术的知识，包括元学习、机器学习、深度学习及其技术平台和应用案例，给出了一套较为完备的深度元学习框架，并根据作者所在课题组的研究成果提出了一些具有启发性的元学习算法和思考方向。 全书共9章。第1章主要介绍元学习的基本概念、基本任务和基本类型；第2章系统介绍深度学习的概念、原理和应用，帮助读者逐步具备一定的深度学习实践能力；第3章介绍一种简单的元学习神经网络——孪生网络；第4章介绍原型网络及其各种变体；第5章介绍两种有趣单样本元学习算法——关系网络和匹配网络；第6章介绍记忆增强神经网络；第7章进一步介绍饶有趣味且应用广泛的元学习算法——模型无关元学习及其变种；第8章介绍另外两种经典的元学习模型——MetaSGD和Reptile；第9章深入介绍元学习的一些新进展与**研究成果——基于样本抽样和任务难度自适应的深度元学习理论。全书提供大量应用实例和配套代码，每章后均附有适量思考题，引发读者思考和讨论。 全书行文浅显易懂，深入浅出，适合作为高等学校计算机相关专业研究生或高年级本科生开展元学习理论教学，也可供广大AI技术开发和研究人员参考。
|
| 目錄：
|
第1章元学习简介1
1.1元学习1
1.2元学习的类型2
1.2.1学习度量空间2
1.2.2学习初始化3
1.2.3学习优化器3
1.3嵌套梯度下降法实现元学习4
1.4少样本学习的优化模型6
1.5小结9
1.6思考题9
参考文献9第2章深度学习11
2.1深度学习的概念11
2.2深度神经网络概述12
2.2.1人工神经网络12
2.2.2深度神经网络15
2.3卷积神经网络概述17
2.3.1卷积神经网络17
2.3.2卷积神经网络的结构17
2.3.3卷积神经网络的训练24
2.3.4VGG——卷积神经网络的代表性网络25
2.4循环神经网络28
2.4.1循环神经网络概念28
2.4.2长短期记忆（LSTM）网络30
2.5生成对抗网络32
2.5.1生成器33
2.5.2判别器34
2.5.3训练过程35
2.5.4小结36
2.6Transformer及扩散模型37
2.6.1编码组件38
2.6.2解码组件39
2.6.3扩散模型40
2.7小结42
2.8思考题43
参考文献43第3章孪生网络45
3.1孪生网络简介45
3.2孪生网络的架构47
3.3孪生网络的衍生48
3.3.1伪孪生网络49
3.3.2三胞胎连体网络49
3.3.3三胞胎伪孪生网络50
3.4孪生网络的发展及应用51
3.5案例： 利用孪生网络进行图像识别52
3.6小结59
3.7思考题59
参考文献60第4章原型网络及其变体61
4.1原型网络61
4.1.1原型网络的基本算法63
4.1.2用于分类的原型网络结构64
4.2高斯原型网络67
4.3半原型网络69
4.4小结71
4.5思考题72
参考文献72第5章关系网络与匹配网络73
5.1关系网络73
5.1.1单样本学习中的关系网络74
5.1.2少样本学习中的关系网络77
5.1.3零样本学习中的关系网络78
5.2匹配网络85
5.3小结86
5.4思考题87
参考文献87第6章记忆增强神经网络88
6.1神经图灵机（NTM）89
6.1.1NTM中的读、写机制90
6.1.2寻址机制92
6.2基于NTM的复制任务94
6.2.1NTM模型的初始化94
6.2.2定义读写操作97
6.2.3定义寻址机制98
6.2.4定义复制任务100
6.2.5定义训练函数102
6.2.6实现重复复制105
6.3记忆增强神经网络（MANN）111
6.3.1MANN的读操作111
6.3.2MANN的写操作113
6.3.3MANN的应用114
6.4小结116
6.5思考题116
参考文献117第7章模型无关元学习及其变种118
7.1MAML118
7.1.1MAML算法121
7.1.2监督学习中的MAML123
7.1.3从头构建MAML125
7.1.4强化学习中的MAML142
7.2ADML144
7.2.1FGSM144
7.2.2ADML的流程145
7.2.3从头构建ADML146
7.3CAML151
7.4小结152
7.5思考题153
参考文献153第8章MetaSGD和Reptile154
8.1MetaSGD简介154
8.1.1MetaSGD用于监督学习155
8.1.2MetaSGD用于强化学习160
8.2Reptile简介163
8.2.1Reptile的基本算法164
8.2.2Reptile用于正弦曲线回归166
8.3小结168
8.4思考题169
参考文献170第9章新进展与未来方向171
9.1元模仿学习171
9.2任务无关元学习174
9.2.1熵最大化/熵约简175
9.2.2不平等最小化177
9.3无监督元学习181
9.4样本抽样自适应元学习183
9.5任务难度自适应元学习186
9.6小结189
9.7思考题190
参考文献190
|
| 內容試閱：
|
元学习的历史可以追溯到20世纪60年代开始的机器学习研究，当时一些研究人员开始探索如何在学习中引入“元”的概念。其中最早的尝试包括基于决策树的元学习和基于规则的元学习。
近年来，随着机器学习领域的快速发展，元学习变得越来越受关注。元学习的研究涉及强化学习、机器人学、自然语言处理等各个领域，并在这些领域中取得了许多应用成果。
总体来说，元学习是一种机器学习的方法，它旨在使机器学习系统能够自动学习如何学习。元学习的目标是开发出一种智能系统，该系统能够快速适应新的任务和环境，而不需要大量的训练数据或重新设计整个学习算法。在元学习中，机器学习的基本模型通过学习如何在不同的任务之间共享和迁移知识来提高自己的学习能力。
路漫漫，其修远兮！本书是为有志于学习深度元学习技术的读者而写。希望本书能为现在或将来从事元学习、深度学习、机器学习及通用人工智能的读者提供知识参考，抛砖引玉，烘云托月。
本书力求浅显易懂、深入浅出，既可以作为深度元学习领域的专著，也可以作为计算机相关专业研究生或高年级本科生开展元学习理论教学的参考书。
本书共9章，章节安排以综合深度元学习工程应用为主线展开。第1章介绍了元学习的基本概念、基本任务和基本类型；第2章系统地介绍深度学习的基本概念、原理和应用，帮助读者逐步具备一定的深度学习实践能力；第3章介绍一种简单的神经网络——孪生网络；第4章介绍原型网络及其各种变体；第5章介绍两种有趣单样本学习算法——关系网络和匹配网络；第6章介绍记忆增强神经网络；第7章介绍饶有趣味且应用广泛的元学习算法——模型无关元学习；第8章介绍了另外两种经典的元学习模型——MetaSGD 和 Reptile；第9章深入介绍元学习的一些新进展与最新研究成果——基于样本抽样和任务难度自适应的深度元学习理论。本书还提供了使用Python语言编写的配套代码，供读者学习和参考。
在本书的编写过程中，温州大学的陈慧灵博士对本书的总体结构、章节细节形成提出很多具体的建议。笔者课题组研究生徐艳琳、龚启舟、冷志雄、万泉、张润杰、颜丙辰、杨凤山、郭文恒等一起参与了第3～9章的初稿撰写，编制了配备的程序。清华大学出版社的编辑对本书的修改提出了宝贵意见。这里一并表示衷心的感谢！
因笔者水平所限，书中难免存在不足之处，衷心希望广大读者多提宝贵意见，我们将在后续的版本中百尺竿头，更进一步！
笔者于桂林电子科技大学
2023年5月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
