 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習:卷積神經網絡從入門到精通 ( 簡體 字) |
| 作者：李玉鑑 張婷 單傳輝 劉兆英 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 49542
詢問書籍請說出此書號！【缺書】
NT售價： 395 元 |
| 出版日：7/17/2018 |
| 頁數：424 |
| 光碟數：0 |
|
站長推薦：  |
| 印刷：黑白印刷 | 語系： ( 簡體 版 ) |
| |
加入購物車  │加到我的最愛
(請先登入會員) |
| ISBN：9787111602798 |
| 作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 序 |
| (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： |
內容簡介：卷積神經網絡是深度學習中為重要的模型，對引領深度學習的井噴式發展起到了不可或缺的作用。本書試圖全面介紹卷積神經網絡的模型和方法，詳細討論了其現代雛形、突破模型、加深模型、應變模型、跨連模型、區域模型、分割模型、特殊模型和強化模型，后是其成就AlphaGo。為了輔助讀者理解有關內容，本書還結合應用案例分析了很多具體模型的代碼實現及演示效果。 |
目錄：第1章 概述 1
1.1 深度學習的起源和發展 1
1.2 卷積神經網絡的形成和演變 4
1.3 卷積神經網絡的應用和影響 6
1.4 卷積神經網絡的缺陷和視圖 9
1.5卷積神經網絡的GPU實現和cuDNN庫 10
1.6 卷積神經網絡的平臺和工具 10
1.7 本書的內容結構和案例數據 13
1.7.1 內容結構 13
1.7.2 案例數據 15
第2章 預備知識 22
2.1 激活函數 22
2.2 矩陣運算 23
2.3 導數公式 24
2.4 梯度下降算法 25
2.5 反向傳播算法 26
2.5.1 通用反向傳播算法 27
2.5.2 逐層反向傳播算法 28
2.6 通用逼近定理 31
2.7 內外卷積運算 31
2.8 膨脹卷積運算 32
2.9 上下采樣運算 33
2.10 卷積面計算 34
2.11 池化面計算 36
2.12 局部響應歸一化 36
2.13 權值偏置初始化 37
2.14 丟失輸出 37
2.15 丟失連接 38
2.16 隨機梯度下降算法 39
2.17 塊歸一化 39
2.18 動態規劃算法 40
第3章卷積神經網絡的現代雛形——LeNet 41
3.1 LeNet的原始模型 41
3.2 LeNet的標準模型 43
3.3 LeNet的學習算法 44
3.4 LeNet的Caffe代碼實現及說明 46
3.5 LeNet的手寫數字識別案例 54
3.6 LeNet的交通標志識別案例 58
3.6.1交通標志數據集的格式轉換 58
3.6.2 交通標志的識別分類 60
3.7 LeNet的交通路網提取案例 63
3.7.1 交通路網的人工標注 64
3.7.2 交通路網的圖像塊分類 67
3.7.3交通路網的圖像塊分類LeNet 69
3.7.4交通路網的自動提取代碼及說明 71
3.7.5交通路網的自動提取程序運行結果 75
第4章卷積神經網絡的突破模型 78
4.1 AlexNet的模型結構 78
4.2AlexNet的Caffe代碼實現及說明 82
4.3AlexNet的Caffe大規模圖像分類案例及演示效果 95
4.4AlexNet的TensorFlow代碼實現及說明 97
4.5AlexNet的TensorFlow大規模圖像分類案例及演示效果 103
4.6 AlexNet的改進模型ZFNet 107
第5章卷積神經網絡的應變模型 109
5.1 SPPNet的模型結構 109
5.2SPPNet的Caffe代碼實現及說明 112
5.3SPPNet的大規模圖像分類案例及演示效果 114
第6章卷積神經網絡的加深模型 118
6.1結構加深的卷積網絡VGGNet 118
6.1.1 VGGNet的模型結構 118
6.1.2VGGNet的TensorFlow代碼實現及說明 120
6.1.3VGGNet的物體圖像分類案例 129
6.2結構更深的卷積網絡GoogLeNet 130
6.2.1 GoogLeNet的模型結構 130
6.2.2GoogLeNet的TensorFlow代碼實現及說明 136
6.2.3GoogLeNet的鮮花圖像分類案例 149
第7章卷積神經網絡的跨連模型 154
7.1 快道網絡HighwayNet 154
7.2 殘差網絡ResNet 155
7.2.1 ResNet的模型結構 155
7.2.2ResNet的Caffe代碼實現及說明 157
7.2.3ResNet的大規模圖像分類案例 163
7.3 密連網絡DenseNet 169
7.3.1 DenseNet的模型結構 169
7.3.2DenseNet的Caffe代碼實現及說明 171
7.3.3DenseNet的物體圖像分類案例 174
7.4 拼接網絡CatNet 178
7.4.1 CatNet的模型結構 178
7.4.2CatNet的Caffe代碼實現及說明 179
7.4.3CatNet的人臉圖像性別分類案例 183
第8章卷積神經網絡的區域模型 190
8.1 區域卷積網絡R-CNN 190
8.2快速區域卷積網絡Fast R-CNN 191
8.3更快區域卷積網絡Faster R-CNN 193
8.3.1Faster R-CNN的模型結構 193
8.3.2Faster R-CNN的TensorFlow代碼實現及說明 196
8.3.3Faster R-CNN的圖像目標檢測案例及演示效果 216
8.4 你只看一次網絡YOLO 220
8.4.1 YOLO的模型結構 220
8.4.2YOLO的TensorFlow代碼實現及說明 226
8.4.3YOLO的圖像目標檢測案例及演示效果 239
8.5 單次檢測器SSD 242
8.5.1 SSD的模型結構 242
8.5.2SSD的TensorFlow代碼實現及說明 245
8.5.3SSD的圖像目標檢測案例及演示效果 260
第9章卷積神經網絡的分割模型 266
9.1 全卷積網絡FCN 266
9.1.1 FCN的模型結構 266
9.1.2FCN的Caffe代碼實現及說明 269
9.1.3FCN的圖像語義和幾何分割案例 272
9.2金字塔場景分析網絡PSPNet 277
9.2.1 PSPNet的模型結構 277
9.2.2PSPNet的TensorFlow代碼實現及說明 282
9.2.3PSPNet的圖像語義分割案例及演示效果 291
9.3掩膜區域卷積網絡Mask R-CNN 294
9.3.1Mask R-CNN的模型結構 294
9.3.2Mask R-CNN的Keras和TensorFlow代碼實現及說明 297
9.3.3Mask R-CNN的圖像實例分割案例及演示效果 318
第10章卷積神經網絡的特殊模型 325
10.1 孿生網絡SiameseNet 325
10.1.1SiameseNet的模型結構 325
10.1.2SiameseNet的Caffe代碼實現及說明 326
10.1.3SiameseNet的手寫數字驗證案例 328
10.2 擠壓網絡SqueezeNet 331
10.2.1SqueezeNet的模型結構 331
10.2.2SqueezeNet的Caffe代碼實現及說明 334
10.2.3SqueezeNet大規模圖像分類案例 337
10.3深層卷積生成對抗網絡DCGAN 339
10.3.1DCGAN的模型結構 339
10.3.2DCGAN的TensorFlow代碼實現及說明 340
10.3.3DCGAN的CelebA人臉圖像生成案例 345
10.4 網中網NIN 348
10.4.1 NIN的模型結構 348
10.4.2NIN的Caffe代碼實現及說明 350
10.4.3NIN大規模圖像分類案例 353
第11章卷積神經網絡的強化模型 356
11.1 強化學習的基本概念 356
11.2深度強化學習網絡的學習算法 358
11.3深度強化學習網絡的變種模型 359
11.4深度強化學習網絡的Flappy Bird智能體案例 361
11.4.1笨笨鳥網絡的開發環境和工具包 362
11.4.2笨笨鳥網絡的代碼實現及說明 363
11.4.3笨笨鳥網絡的學習訓練過程 367
11.4.4笨笨鳥網絡的演示效果 370
第12章卷積神經網絡的頂尖成就——AlphaGo 371
12.1 人工智能棋類程序簡介 371
12.2 AlphaGo的設計原理 373
12.2.1 總體思路 373
12.2.2 訓練流程 374
12.2.3 搜索過程 377
12.3 AlphaGo Zero的新思想 380
12.4仿效AlphaGo的圍棋程序案例MuGo 383
12.4.1 MuGo的開發環境 383
12.4.2MuGo的代碼實現及說明 386
12.4.3MuGo的學習訓練過程 401
12.4.4MuGo的演示效果 403
附錄A Caffe在Windows上的?安裝過程 406
附錄B Caffe在Linux上的安裝?過程 409
附錄C TensorFlow在Windows?上的安裝過程 412
附錄D TensorFlow在Linux?上的安裝過程 414
參考文獻 416 |
| 序： |
|
