-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

深度學習:原理與應用實踐

( 簡體 字)
作者:張重生類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:電子工業出版社深度學習:原理與應用實踐 3dWoo書號: 45802
詢問書籍請說出此書號!

缺書
不接受訂購

出版日:12/1/2016
頁數:232
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
不接受訂購
ISBN:9787121304132
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

序言1
如今,深度學習是國際上非常活躍、非常多產的研究領域,它被廣泛應用于計算機視覺、圖像分析、語音識別和自然語言處理等諸多領域。在多個領域上,深度神經網絡已大幅超越了已有算法的性能。
本書是深度學習領域的一本力作。它對深度神經網絡尤其是卷積神經網絡進行介紹,且注重深度學習的實際應用。而且,本書還對深度學習研發現狀進行總結和闡述,包括Google 和Facebook。本書通過示例的方式詳解深度學習的具體應用,包括手寫數字識別,物體識別,及以人為中心的計算(包括人臉識別、人臉表情識別、年齡估計、人臉關鍵點定位等)。本書也介紹了深度學習Caffe 和Pylearn2 兩個平臺,并給出具體示例,介紹如何使用。
本書的所有實驗均可重現,對初學者、研究生和工程師有重要參考價值,能夠幫助讀者掌握深度學習的實戰技能。我在訪問河南大學期間與本書作者相識。作者和他的學生為本書的出版投入了1 年多的時間,付出了巨大的心血。我相信,本書將會被中國科技界所認可。
Ioannis Pitas
IEEE Fellow
亞里士多德

序言2
深度學習是當前最炙手可熱的研究領域,可是缺乏一本系統深入的著作。今天,這本書來了!
本書是目前國內為數不多的深度學習原著之一,更是最接地氣的、同時兼顧深度學習理論與應用開發實踐的深度學習著作。本書面向深度學習領域的研究人員、工程師、愛好者,能夠幫助人們把握國內外深度學習的研究現狀和產業化趨勢,快速理解深度學習的基礎理論,牢固掌握深度學習應用開發的實用技術。無論是本書的深度學習理論介紹還是應用開發實例詳解,作者都采用實例驅動的方式,使得抽象的理論變得容易理解、難懂的圖像處理與模式識別問題變得具體、落地。 尤其難能可貴的是,本書還對深度學習平臺Caffe 的源代碼進行了精彩解析。
本書的10 余個實驗都經過作者的反復驗證,只需按照書中的相關步驟進行實驗,讀者就可以重現相關的實驗結果。通過本書的學習,讀者不但能掌握深度學習相關的基礎理論,更能切實掌握深度學習的應用開發技能。因此,對于有意從事深度學習研究與應用實踐的研究人員、工程師、愛好者,本書是首選之作。
教授
中國信息協會大數據分會副會長
中國最暢銷的《云計算》書籍作者
內容簡介:

本書全面、系統地介紹深度學習相關的技術,包括人工神經網絡,卷積神經網絡,深度學習平臺及源代碼分析,深度學習入門與進階,深度學習高級實踐,所有章節均附有源程序,所有實驗讀者均可重現,具有高度的可操作性和實用性。通過學習本書,研究人員、深度學習愛好者,能夠在3 個月內,系統掌握深度學習相關的理論和技術。

目錄:

深度學習基礎篇
第1 章 緒論 ············ 2
1.1 引言 ············· 2
1.1.1 Google 的深度學習成果 ········ 2
1.1.2 Microsoft 的深度學習成果······· 3
1.1.3 國內公司的深度學習成果 ······· 3
1.2 深度學習技術的發展歷程 ········ 4
1.3 深度學習的應用領域 ·········· 6
1.3.1 圖像識別領域 ········· 6
1.3.2 語音識別領域 ········· 6
1.3.3 自然語言理解領域 ········· 7
1.4 如何開展深度學習的研究和應用開發 ······· 7
本章參考文獻 ············ 11
第2 章 國內外深度學習技術研發現狀及其產業化趨勢 ····· 13
2.1 Google 在深度學習領域的研發現狀 ······ 13
2.1.1 深度學習在Google 的應用 ······ 13
2.1.2 Google 的TensorFlow 深度學習平臺 ······ 14
2.1.3 Google 的深度學習芯片TPU ······ 15
2.2 Facebook 在深度學習領域的研發現狀 ······ 15
2.2.1 Torchnet ·········· 15
2.2.2 DeepText ··········· 16
2.3 百度在深度學習領域的研發現狀 ······· 17
2.3.1 光學字符識別 ········· 17
2.3.2 商品圖像搜索 ········· 17
2.3.3 在線廣告 ·········· 18
2.3.4 以圖搜圖 ·········· 18
2.3.5 語音識別 ·········· 18
2.3.6 百度開源深度學習平臺MXNet 及其改進的深度語音識別系統Warp-CTC · 19
2.4 阿里巴巴在深度學習領域的研發現狀 ······· 19
2.4.1 拍立淘 ·········· 19
2.4.2 阿里小蜜——智能客服Messenger ····· 20
2.5 京東在深度學習領域的研發現狀 ······· 20
2.6 騰訊在深度學習領域的研發現狀 ······· 21
2.7 科創型公司(基于深度學習的人臉識別系統) ····· 22
2.8 深度學習的硬件支撐——NVIDIA GPU ······ 23
本章參考文獻 ············ 24
深度學習理論篇
第3 章 神經網絡 ··········· 30
3.1 神經元的概念 ·········· 30
3.2 神經網絡 ··········· 31
3.2.1 后向傳播算法 ········· 32
3.2.2 后向傳播算法推導 ········· 33
3.3 神經網絡算法示例 ·········· 36
本章參考文獻 ············ 38
第4 章 卷積神經網絡 ········· 39
4.1 卷積神經網絡特性 ·········· 39
4.1.1 局部連接 ·········· 40
4.1.2 權值共享 ·········· 41
4.1.3 空間相關下采樣 ········· 42
4.2 卷積神經網絡操作 ·········· 42
4.2.1 卷積操作 ·········· 42
4.2.2 下采樣操作 ·········· 44
4.3 卷積神經網絡示例:LeNet-5 ······· 45
本章參考文獻 ············ 48
深度學習工具篇
第5 章 深度學習工具Caffe ········ 50
5.1 Caffe 的安裝 ·········· 50
5.1.1 安裝依賴包 ·········· 51
5.1.2 CUDA 安裝 ·········· 51
5.1.3 MATLAB 和Python 安裝 ········ 54
5.1.4 OpenCV 安裝(可選) ········ 59
5.1.5 Intel MKL 或者BLAS 安裝 ······· 59
5.1.6 Caffe 編譯和測試 ········· 59
5.1.7 Caffe 安裝問題分析 ········· 62
5.2 Caffe 框架與源代碼解析 ········ 63
5.2.1 數據層解析 ·········· 63
5.2.2 網絡層解析 ·········· 74
5.2.3 網絡結構解析 ········· 92
5.2.4 網絡求解解析 ········· 104
本章參考文獻 ············ 109
第6 章 深度學習工具Pylearn2 ········ 110
6.1 Pylearn2 的安裝 ·········· 110
6.1.1 相關依賴安裝 ·········· 110
6.1.2 安裝Pylearn2 ·········· 112
6.2 Pylearn2 的使用 ·········· 112
本章參考文獻 ··········· 116
深度學習實踐篇(入門與進階)
第7 章 基于深度學習的手寫數字識別 ······ 118
7.1 數據介紹 ············ 118
7.1.1 MNIST 數據集 ········ 118
7.1.2 提取MNIST 數據集圖片 ······· 120
7.2 手寫字體識別流程 ·········· 121
7.2.1 模型介紹 ·········· 121
7.2.2 操作流程 ·········· 126
7.3 實驗結果分析 ·········· 127
本章參考文獻 ············ 128
第8 章 基于深度學習的圖像識別 ······· 129
8.1 數據來源 ··········· 129
8.1.1 Cifar10 數據集介紹 ········ 129
8.1.2 Cifar10 數據集格式 ········ 129
8.2 Cifar10 識別流程 ········· 130
8.2.1 模型介紹 ·········· 130
8.2.2 操作流程 ·········· 136
8.3 實驗結果分析 ·········· 139
本章參考文獻 ············ 140
第9 章 基于深度學習的物體圖像識別 ······ 141
9.1 數據來源 ··········· 141
9.1.1 Caltech101 數據集 ········ 141
9.1.2 Caltech101 數據集處理 ········ 142
9.2 物體圖像識別流程 ·········· 143
9.2.1 模型介紹 ·········· 143
9.2.2 操作流程 ·········· 144
9.3 實驗結果分析 ·········· 150
本章參考文獻 ············ 151
第10 章 基于深度學習的人臉識別 ······· 152
10.1 數據來源 ··········· 152
10.1.1 AT&T Facedatabase 數據庫 ······ 152
10.1.2 數據庫處理 ········· 152
10.2 人臉識別流程 ·········· 154
10.2.1 模型介紹 ·········· 154
10.2.2 操作流程 ·········· 155
10.3 實驗結果分析 ·········· 159
本章參考文獻 ············ 160
深度學習實踐篇(高級應用)
第11 章 基于深度學習的人臉識別——DeepID 算法 ···· 162
11.1 問題定義與數據來源 ········ 162
11.2 算法原理 ·········· 163
11.2.1 數據預處理 ········· 163
11.2.2 模型訓練策略 ········· 164
11.2.3 算法驗證和結果評估 ······· 164
11.3 人臉識別步驟 ·········· 165
11.3.1 數據預處理 ········· 165
11.3.2 深度網絡結構模型 ······· 168
11.3.3 提取深度特征與人臉驗證 ······· 171
11.4 實驗結果分析 ·········· 174
11.4.1 實驗數據 ········· 174
11.4.2 實驗結果分析 ········· 175
本章參考文獻 ············ 176
第12 章 基于深度學習的表情識別 ······· 177
12.1 表情數據 ··········· 177
12.1.1 Cohn-Kanade(CK+)數據庫 ····· 177
12.1.2 JAFFE 數據庫 ········ 178
12.2 算法原理 ··········· 179
12.3 表情識別步驟 ·········· 180
12.3.1 數據預處理 ········· 180
12.3.2 深度神經網絡結構模型 ······· 181
12.3.3 提取深度特征及分類 ······· 182
12.4 實驗結果分析 ·········· 184
12.4.1 實現細節 ·········· 184
12.4.2 實驗結果對比 ········· 185
本章參考文獻 ············ 188
第13 章 基于深度學習的年齡估計 ······· 190
13.1 問題定義 ··········· 190
13.2 年齡估計算法 ·········· 190
13.2.1 數據預處理 ········· 190
13.2.2 提取深度特征 ········· 192
13.2.3 提取LBP 特征 ········· 196
13.2.4 訓練回歸模型 ········· 196
13.3 實驗結果分析 ·········· 199
本章參考文獻 ············ 199
第14 章 基于深度學習的人臉關鍵點檢測 ······ 200
14.1 問題定義和數據來源 ········ 200
14.2 基于深度學習的人臉關鍵點檢測的步驟 ····· 201
14.2.1 數據預處理 ········· 201
14.2.2 訓練深度學習網絡模型 ······· 206
14.2.3 預測和處理關鍵點坐標 ······· 207
本章參考文獻 ············ 212
深度學習總結與展望篇
第15 章 總結與展望 ········· 214
15.1 深度學習領域當前的主流技術及其應用領域 ····· 214
15.1.1 圖像識別 ·········· 214
15.1.2 語音識別與自然語言理解 ······· 215
15.2 深度學習的缺陷 ·········· 215
15.2.1 深度學習在硬件方面的門檻較高 ······ 215
15.2.2 深度學習在軟件安裝與配置方面的門檻較高 ···· 216
15.2.3 深度學習最重要的問題在于需要海量的有標注的數據作為支撐 · 216
15.2.4 深度學習的最后階段竟然變成枯燥、機械、及其耗時的調參工作 · 217
15.2.5 深度學習不適用于數據量較小的數據 ···· 218
15.2.6 深度學習目前主要用于圖像、聲音的識別和自然語言的理解 · 218
15.2.7 研究人員從事深度學習研究的困境 ···· 219
15.3 展望 ··········· 220
本章參考文獻 ············ 220
序: