| 开本：3开 |
| 纸张：胶版纸 |
| 包装：平装 |
| 是否套装：否 |
| 国际标准书号ISBN：9787302704751 |
| 所属分类：图书>计算机/网络>管理信息系统(MIS) |
可开发票，团购联系在线客服有优惠商品详情
几何深度学习——算法与实践
定
清华大学
版次
出版时间 年月
开本
作者 于浩文、邓博文
装帧
页数
字数
书号
本书注于几何深度学习及其在图经网络领域中的应用，涵盖了从数学基础到前沿模型的全面指导，同时结合实际项目案例，帮助读者深入地理解几何深度学习的复杂概念。书中不仅详细阐述了各类算法的理论背景，还提供了实际作指南，为读者提供了理论与实践相结合的全面支持。
第章和第章介绍了几何深度学习的数学与算法基础。第章涵盖了高等数学、线性代数、图论、群论及量子力学等内容，为读者奠定坚实的理论基础。第章则探讨了、、和等主流深度学习算法，并引出其后续在几何深度学习中的应用。第章深入分析了图经网络，重点介绍了各类模型及其变体，突出图经网络在几何深度学习中的重要地位。第章和第章分别探讨了不变性与等变性概念及其在几何图经网络中的应用，深入剖析了这些核心理念在模型构建中的作用。不变性与等变性是几何深度学习的核心理念，也是实现模型稳健性和泛化的关键。第章围绕工具库展开，这是一个强大的开源库，门用于处理具有旋转对称性的三维数据。通过对中关键组件的详细解析，括等变卷积和的实现，读者将学会如何利用这些工具解决实际问题，并进一步拓展其在几何深度学习中的应用。
几何深度学习在解决生物、化学、材料、物理及工程等领域的问题上有着广泛应用。从粒子、原子、分子、蛋白质到晶体，以及点云数据和更大尺度的天体、星系数据等，几何深度学习能够高效建模相关数据。本书适合对几何深度学习和图经网络感兴趣的研究人员及相关领域的从业者。
配套资源
第章深度学习数学基础
高等数学
重识微分
微分的解读
微分与函数的单调性和凹凸性
微分的链式法则
梯度
泰勒公式与麦克劳林公式
傅里叶级数
线性代数
向量的数乘
向量的加法
向量的线性组合
向量空间
向量的线性相关和线性无关
向量乘法
向量的正交与基组
矩阵乘法
初等矩阵
可逆矩阵
矩阵的行列式
矩阵的秩
矩阵的征值与征向量
图论
图的表示
图的全局属性
图的节点属性
图的边属性
群论
群论的定义
对称性
不变性与等变性
群的表示
常见的群
量子力学
球谐函数的定义
球谐函数与深度学习
球谐函数与对称性
不可约表示与矩阵
系数
径向模型
球谐函数与径向模型的结合
第章几何深度学习算法理论基础
深度学习简介
线性模型的定义
感知机模型定义与理解
经网络算法
化算法
梯度下降算法
反向传播算法
梯度下降算法的变体
化过程中过拟合与欠拟合
化过程中梯度不稳定
卷积经网络
二维卷积经网络的计算
卷积的设计思想
卷积进行征提取的过程
池化与采样
卷积经网络的感受野
卷积模型实现图像识别
：初的卷积模型
：拉开深度学习序幕
：来之“路”
卷积算法与几何深度学习
算法
模型
语言模型
长短期记忆网络
算法与几何深度学习
算法
自注意力层
多头自注意力层
算法与几何深度学习
生成对抗网络算法
的模型结构
模型的训练
生成对抗网络与几何深度学习
第章图经网络
图数据简介
图数据的任务类型
图数据的
图经网络模型
消息传递经网络
图经网络的层结构与连接性
图经网络模型的训练
图数据的数据增强
图经网络算法基础的变体
进图经网络
进图经网络概述
第章不变性几何图经网络
几何图经网络
分子性质预测问题
数据集
图经网络进行分子性质预测
几何图经网络进行分子性质预测
模型结构
与
引入角度信息
球谐函数和贝塞尔径向模型
的消息传递机制
模型结构
引入二面角信息
消息传递机制
模型结构
不变性的结构引入方式
第章等变性几何图经网络
等变性的引入方式
等变性的证明
的向量信息的引入
的模型结构
结合
等变性的讨论
局坐标系
模型总体架构
三种图同构问题
模块提取局域信息
模块进行图的消息传递
模型进行图的消息更新
张量场经网络
输入数据的
点卷积
自相互作用层
激活函数
层结构
的消息传递机制
可导向征
可导向多层感知机
基于可导向征的节点信息表示
的模型结构与计算方式
的计算流程
的组成分
小结
第章工具库
中的数据类型
不可约表示
不可约表示的坐标反演与奇偶性
库中不可约表示的定义
库中张量积的定义
中的等变卷积
等变卷积的数学定义
球谐张量的定义
张量积的使用
径向模型的定义
邻居信息的聚合
中的
的计算公式
注意力机制的代码实现
的代码实现
等变性检测
基于的俄罗斯方块识别
等变模型与训练逻辑的定义
等变模型的改进化
几何深度学习——算法与实践
定
清华大学
版次
出版时间 年月
开本
作者 于浩文、邓博文
装帧
页数
字数
书号
本书注于几何深度学习及其在图经网络领域中的应用，涵盖了从数学基础到前沿模型的全面指导，同时结合实际项目案例，帮助读者深入地理解几何深度学习的复杂概念。书中不仅详细阐述了各类算法的理论背景，还提供了实际作指南，为读者提供了理论与实践相结合的全面支持。
第章和第章介绍了几何深度学习的数学与算法基础。第章涵盖了高等数学、线性代数、图论、群论及量子力学等内容，为读者奠定坚实的理论基础。第章则探讨了、、和等主流深度学习算法，并引出其后续在几何深度学习中的应用。第章深入分析了图经网络，重点介绍了各类模型及其变体，突出图经网络在几何深度学习中的重要地位。第章和第章分别探讨了不变性与等变性概念及其在几何图经网络中的应用，深入剖析了这些核心理念在模型构建中的作用。不变性与等变性是几何深度学习的核心理念，也是实现模型稳健性和泛化的关键。第章围绕工具库展开，这是一个强大的开源库，门用于处理具有旋转对称性的三维数据。通过对中关键组件的详细解析，括等变卷积和的实现，读者将学会如何利用这些工具解决实际问题，并进一步拓展其在几何深度学习中的应用。
几何深度学习在解决生物、化学、材料、物理及工程等领域的问题上有着广泛应用。从粒子、原子、分子、蛋白质到晶体，以及点云数据和更大尺度的天体、星系数据等，几何深度学习能够高效建模相关数据。本书适合对几何深度学习和图经网络感兴趣的研究人员及相关领域的从业者。
配套资源
第章深度学习数学基础
高等数学
重识微分
微分的解读
微分与函数的单调性和凹凸性
微分的链式法则
梯度
泰勒公式与麦克劳林公式
傅里叶级数
线性代数
向量的数乘
向量的加法
向量的线性组合
向量空间
向量的线性相关和线性无关
向量乘法
向量的正交与基组
矩阵乘法
初等矩阵
可逆矩阵
矩阵的行列式
矩阵的秩
矩阵的征值与征向量
图论
图的表示
图的全局属性
图的节点属性
图的边属性
群论
群论的定义
对称性
不变性与等变性
群的表示
常见的群
量子力学
球谐函数的定义
球谐函数与深度学习
球谐函数与对称性
不可约表示与矩阵
系数
径向模型
球谐函数与径向模型的结合
第章几何深度学习算法理论基础
深度学习简介
线性模型的定义
感知机模型定义与理解
经网络算法
化算法
梯度下降算法
反向传播算法
梯度下降算法的变体
化过程中过拟合与欠拟合
化过程中梯度不稳定
卷积经网络
二维卷积经网络的计算
卷积的设计思想
卷积进行征提取的过程
池化与采样
卷积经网络的感受野
卷积模型实现图像识别
：初的卷积模型
：拉开深度学习序幕
：来之“路”
卷积算法与几何深度学习
算法
模型
语言模型
长短期记忆网络
算法与几何深度学习
算法
自注意力层
多头自注意力层
算法与几何深度学习
生成对抗网络算法
的模型结构
模型的训练
生成对抗网络与几何深度学习
第章图经网络
图数据简介
图数据的任务类型
图数据的
图经网络模型
消息传递经网络
图经网络的层结构与连接性
图经网络模型的训练
图数据的数据增强
图经网络算法基础的变体
进图经网络
进图经网络概述
第章不变性几何图经网络
几何图经网络
分子性质预测问题
数据集
图经网络进行分子性质预测
几何图经网络进行分子性质预测
模型结构
与
引入角度信息
球谐函数和贝塞尔径向模型
的消息传递机制
模型结构
引入二面角信息
消息传递机制
模型结构
不变性的结构引入方式
第章等变性几何图经网络
等变性的引入方式
等变性的证明
的向量信息的引入
的模型结构
结合
等变性的讨论
局坐标系
模型总体架构
三种图同构问题
模块提取局域信息
模块进行图的消息传递
模型进行图的消息更新
张量场经网络
输入数据的
点卷积
自相互作用层
激活函数
层结构
的消息传递机制
可导向征
可导向多层感知机
基于可导向征的节点信息表示
的模型结构与计算方式
的计算流程
的组成分
小结
第章工具库
中的数据类型
不可约表示
不可约表示的坐标反演与奇偶性
库中不可约表示的定义
库中张量积的定义
中的等变卷积
等变卷积的数学定义
球谐张量的定义
张量积的使用
径向模型的定义
邻居信息的聚合
中的
的计算公式
注意力机制的代码实现
的代码实现
等变性检测
基于的俄罗斯方块识别
等变模型与训练逻辑的定义
等变模型的改进化