123,123,123

內(nèi)容簡(jiǎn)介

　　元學(xué)習(xí)是當(dāng)今人工智能研究的熱門領(lǐng)域之一，被視為實(shí)現(xiàn)通用人工智能的基礎(chǔ)。本書介紹元學(xué)習(xí)及其原理，講解各種單樣本學(xué)習(xí)算法，例如孿生網(wǎng)絡(luò)、原型網(wǎng)絡(luò)、關(guān)系網(wǎng)絡(luò)和記憶增強(qiáng)網(wǎng)絡(luò)，并在基于Python的TensorFlow與Keras中實(shí)現(xiàn)它們。讀者能夠從本書中了解先進(jìn)的元學(xué)習(xí)算法，如模型無關(guān)元學(xué)習(xí)、Reptile和元學(xué)習(xí)的上下文適應(yīng)。此外，本書還探索如何使用元隨機(jī)梯度下降法來快速學(xué)習(xí)，以及如何使用元學(xué)習(xí)來進(jìn)行無監(jiān)督學(xué)習(xí)。本書適合機(jī)器學(xué)習(xí)愛好者、人工智能研究人員和數(shù)據(jù)科學(xué)家閱讀。

作者簡(jiǎn)介

　　蘇達(dá)桑·拉維尚迪蘭（Sudharsan Ravichandiran）目前在眾包網(wǎng)站Freelancer擔(dān)任數(shù)據(jù)科學(xué)家。他是積極的開源項(xiàng)目貢獻(xiàn)者和暢銷書作家，在YouTube網(wǎng)站上發(fā)布的授課視頻廣受好評(píng)。重點(diǎn)關(guān)注深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的實(shí)際應(yīng)用，尤其是自然語(yǔ)言處理和計(jì)算機(jī)視覺領(lǐng)域的相關(guān)研究?！咀g者簡(jiǎn)介】葛言本科畢業(yè)于華中科技大學(xué)經(jīng)濟(jì)學(xué)院國(guó)際商務(wù)專業(yè)（英語(yǔ)雙學(xué)位），保送上海財(cái)經(jīng)大學(xué)交叉科學(xué)研究院管理科學(xué)與工程直博，目前從事運(yùn)籌學(xué)相關(guān)研究與Python開發(fā)工作。譯有《精通Python設(shè)計(jì)模式（第2版）》等書。

圖書目錄

第 1章元學(xué)習(xí)簡(jiǎn)介　1
1．1 元學(xué)習(xí)　1
1．2 元學(xué)習(xí)的類型　2
1．2．1 學(xué)習(xí)度量空間　2
1．2．2 學(xué)習(xí)初始化　3
1．2．3 學(xué)習(xí)優(yōu)化器　3
1．3 通過梯度下降來學(xué)習(xí)如何通過梯度下降來學(xué)習(xí)　3
1．4 少樣本學(xué)習(xí)的優(yōu)化模型　5
1．5 小結(jié)　8
1．6 思考題　8
1．7 延伸閱讀　8
第 2章使用孿生網(wǎng)絡(luò)進(jìn)行人臉識(shí)別與音頻識(shí)別　9
2．1 什么是孿生網(wǎng)絡(luò)　9
2．1．1 孿生網(wǎng)絡(luò)的架構(gòu)　10
2．1．2 孿生網(wǎng)絡(luò)的應(yīng)用　12
2．2 使用孿生網(wǎng)絡(luò)進(jìn)行人臉識(shí)別　12
2．3 使用孿生網(wǎng)絡(luò)進(jìn)行音頻識(shí)別　20
2．4 小結(jié)　24
2．5 思考題　24
2．6 延伸閱讀　24
第3章原型網(wǎng)絡(luò)及其變體　25
3．1 原型網(wǎng)絡(luò)　25
3．1．1 算法　31
3．1．2 使用原型網(wǎng)絡(luò)執(zhí)行分類　31
3．2 高斯原型網(wǎng)絡(luò)　37
3．3 半原型網(wǎng)絡(luò)　41
3．4 小結(jié)　42
3．5 思考題　42
3．6 延伸閱讀　42
第4章使用TensorFlow構(gòu)建關(guān)系網(wǎng)絡(luò)與匹配網(wǎng)絡(luò)　43
4．1 關(guān)系網(wǎng)絡(luò)　43
4．1．1 單樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　43
4．1．2 少樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　 46
4．1．3 零樣本學(xué)習(xí)中的關(guān)系網(wǎng)絡(luò)　48
4．1．4 損失函數(shù)　49
4．2 使用TensorFlow構(gòu)建關(guān)系網(wǎng)絡(luò)　49
4．3 匹配網(wǎng)絡(luò)　51
4．4 匹配網(wǎng)絡(luò)的架構(gòu)　55
4．5 TensorFlow中的匹配網(wǎng)絡(luò)　55
4．6 小結(jié)　60
4．7 思考題　60
4．8 延伸閱讀　60
第5章記憶增強(qiáng)神經(jīng)網(wǎng)絡(luò)　61
5．1 NTM　61
5．1．1 NTM中的讀與寫　62
5．1．2 尋址機(jī)制　65
5．2 使用NTM復(fù)制任務(wù)　68
5．3 MANN　77
5．4 小結(jié)　80
5．5 思考題　80
5．6 延伸閱讀　80
第6章 MAML及其變種　81
6．1 MAML　81
6．1．1 MAML算法　83
6．1．2 監(jiān)督學(xué)習(xí)中的MAML　86
6．1．3 強(qiáng)化學(xué)習(xí)中的MAML　92
6．2 ADML　93
6．2．1 FGSM　94
6．2．2 ADML　94
6．2．3 從頭構(gòu)建ADML　95
6．3 CAML　103
6．4 小結(jié)　104
6．5 思考題　105
6．6 延伸閱讀　105
第7章 Meta-SGD和Reptile　106
7．1 Meta-SGD　106
7．1．1 監(jiān)督學(xué)習(xí)中的Meta-SGD　108
7．1．2 強(qiáng)化學(xué)習(xí)中的Meta-SGD　114
7．2 Reptile　114
7．2．1 Reptile算法　115
7．2．2 使用Reptile進(jìn)行正弦曲線回歸　116
7．3 小結(jié)　121
7．4 思考題　121
7．5 延伸閱讀　121
第8章梯度一致作為優(yōu)化目標(biāo)　122
8．1 梯度一致，一種優(yōu)化方法　122
8．1．1 權(quán)重計(jì)算　124
8．1．2 算法　124
8．2 使用MAML構(gòu)建梯度一致　125
8．2．1 生成數(shù)據(jù)點(diǎn)　126
8．2．2 單層神經(jīng)網(wǎng)絡(luò)　126
8．2．3 MAML中的梯度一致　126
8．3 小結(jié)　131
8．4 思考題　131
8．5 延伸閱讀　131
第9章新進(jìn)展與未來方向　132
9．1 TAML　132
9．1．1 熵最大化/熵約簡(jiǎn)　133
9．1．2 不平等最小化　134
9．2 元模仿學(xué)習(xí)　136
9．3 CACTUs　137
9．4 概念空間元學(xué)習(xí)　138
9．4．1 關(guān)鍵部分　140
9．4．2 損失函數(shù)　140
9．4．3 算法　141
9．5 小結(jié)　142
9．6 思考題　142
9．7 延伸閱讀　142
思考題答案　143