C#神經網絡編程 ( 簡體 字) |
| 作者：[美]馬特·R.科爾（Matt R.Cole） 著 | 類別：1. -> 程式設計 -> .NET -> C# |
| 譯者： |
| 出版社：機械工業出版社 |  3dWoo書號： 51348
詢問書籍請說出此書號！【缺書】
NT售價： 445 元 |
| 出版日：6/1/2019 |
| 頁數：224 |
| 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：9787111629382 |
| 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：本書將幫助讀者學習如何使用C#進行神經網絡編程，如何將這種令人興奮和強大的技術應用到自己的程序中，并向讀者示范如何使用開源軟件包以及定制軟件。我們將從簡單的概念和理論入手，深入講解每個人都能夠運用的強大技術。
本書的讀者對象
本書面向希望將神經網絡技術添加到應用程序中的C#.NET開發人員。
本書的主要內容
第1章提供神經網絡的基礎知識。
第2章講解激活函數的概念、目的及其圖像形式。我們還將使用開源軟件包（如Encog、Aforge和Accord）演示一個小型C#應用程序，并進行可視化呈現。
第3章幫助你理解決策樹和隨機森林的概念以及使用方法。
第4章學習如何運用Accord.Net機器學習框架連接到本地視頻錄制設備，通過捕獲攝像機視野內任何物體的實時圖像，跟蹤視野中出現的人臉。
第5章重點關注如何使用開源軟件包ConvNetSharp訓練CNN，通過示例為讀者講解相關概念。
第6章教你使用開源軟件包RNNSharp的自動編碼器來解析和處理各種文本語料庫。
第7章介紹粒子群優化如何取代神經網絡訓練方法，如用于訓練神經網絡的后向傳播。
第8章介紹作為每個神經網絡重要組成部分的函數優化。
第9章講解如何使用數字和啟發式優化技術輕松地找到神經網絡函數的最佳參數。
第10章解析開源軟件包TensorFlowSharp。
第11章使用Microsoft認知工具包（以前稱為CNTK）以及長短期記憶（LSTM）網絡完成時間序列預測。
第12章講解門控循環單元（GRU），并將其與其他類型的神經網絡進行比較。
附錄A列出不同的激活函數及其函數圖像。
附錄B包括不同的優化函數。
學習本書的要求
在本書中，假設讀者具有C#.NET的基礎知識，熟悉C#.NET軟件開發，并且能夠熟練使用Microsoft Visual Studio。
下載示例代碼及彩色圖像
本書的示例代碼及所有截圖和樣圖，可以從通過個人賬號下載，也可以訪問華章圖書官網，通過注冊并登錄個人賬號下載。 |
內容簡介：本書是幫助你運用C#快速入門神經網絡編程的實踐指南。書中既詳細介紹神經網絡的基礎知識，又通過大量真實的案例從實踐者角度展示各種神經網絡相關技術和架構的使用，同時涵蓋深度網絡、感知器、優化算法、卷積網絡和自動編碼器等前沿技術。
本書遵循循序漸進、兼顧理論和實踐的原則，從神經網絡的基本概念入手，圖文并茂地講解激活函數和后向傳播等概念、原理，以面部和運動檢測為例，讓你直觀地了解深度學習的應用場景，并詳細講述決策樹、隨機森林等常規機器學習算法，還重點講解LSTM、CNN神經網絡等主流算法。在代碼實踐方面，作者為每個算法都編寫了相應的程序，并配有詳細注釋，細致講解代碼內容，幫助你抓住重點，快速動手編程。同時，本書注重開發細節，作為資深項目開發人員，作者細致分析了編程過程中會碰到的問題，詳細介紹了神經網絡結構調整、參數調優的原則，并對各種神經網絡算法優劣進行了對照比較，對程序員實際動手有比較強的參考意義。此外，本書還對常用的激活函數的函數形式、數學圖像進行了系統梳理，你可以在附錄中方便地查詢相關的函數特性。
在過去幾年里，神經網絡華麗回歸，并為人工智能領域帶來了重大的創新。
本書旨在為C#程序員使用神經網絡、CNTK等C#庫和TensorFlowSharp解決復雜的計算問題時，提供實踐指導。本書逐步講解編程實踐，涵蓋從數學到理論等神經網絡的各個方面，幫助你運用C#和.NET框架構建深度神經網絡。
本書從神經網絡入門知識開始，詳細介紹如何使用Encog、Aforge和Accord搭建一個神經網絡，幫助你深入理解神經網絡相關概念和技術，例如深度網絡、感知器、優化算法、卷積網絡和自動解碼器。此外，還詳細講解如何向.NET應用程序中添加智能特性，例如面部和運動檢測、對象檢測和標注、語言理解、知識和智能搜索。
通過閱讀本書，你將學到：
理解感知器以及如何運用C#來實現。
使用認知服務訓練并可視化神經網絡。
運用C#和TensorFlowSharp對物體進行圖像識別和標注。
使用Accord.Net檢測面部等特定圖像特征。
針對簡單異或問題和Encog演示粒子群優化。
使用ConvNetSharp訓練卷積神經網絡。
運用數字和啟發式優化技術為神經網絡函數尋找最優參數。 |
目錄：譯者序
前言
關于作者
關于審校者
第1章 快速預覽 1
1.1 神經網絡概述 2
1.1.1 神經網絡訓練 4
1.1.2 神經網絡的結構指南 4
1.2 神經網絡在當今企業中的作用 6
1.3 學習的類型 6
1.3.1 有監督學習 7
1.3.2 無監督學習 7
1.3.3 強化學習 7
1.4 了解感知器 7
1.5 了解激活函數 10
1.5.1 激活函數繪圖 12
1.5.2 函數繪圖 13
1.6 了解后向傳播 16
1.7 小結 17
1.8 參考文獻 17
第2章 構建第一個神經網絡 18
2.1 一個簡單的神經網絡 18
2.2 神經網絡訓練 19
2.2.1 突觸 20
2.2.2 神經元 21
2.2.3 前向傳播 21
2.2.4 Sigmoid函數 21
2.2.5 后向傳播 22
2.2.6 計算誤差 23
2.2.7 計算梯度 23
2.2.8 更新權重 23
2.2.9 計算值 23
2.3 神經網絡函數 24
2.3.1 創建新網絡 24
2.3.2 導入現有網絡 24
2.3.3 導入數據集 27
2.3.4 網絡運算 27
2.3.5 導出網絡 28
2.3.6 訓練網絡 28
2.3.7 測試網絡 29
2.3.8 計算前向傳播 29
2.3.9 將網絡導出為JSON格式 29
2.3.10 導出數據集 30
2.4 神經網絡 30
2.5 例子 31
2.5.1 訓練到最小值 31
2.5.2 訓練到最大值 31
2.6 小結 32
第3章 決策樹和隨機森林 33
3.1 決策樹 33
3.1.1 決策樹的優點 34
3.1.2 決策樹的缺點 35
3.1.3 何時應該使用決策樹 35
3.2 隨機森林 35
3.2.1 隨機森林的優點 36
3.2.2 隨機森林的缺點 36
3.2.3 何時應該使用隨機森林 36
3.3 SharpLearning 37
3.3.1 術語 37
3.3.2 加載和保存模型 37
3.4 示例代碼和應用程序 41
3.4.1 保存模型 41
3.4.2 均方差回歸指標 41
3.4.3 F1分數 41
3.4.4 優化 42
3.4.5 示例應用程序1 42
3.4.6 示例應用程序2—葡萄酒質量 43
3.5 小結 45
3.6 參考文獻 45
第4章 面部和運動檢測 46
4.1 面部檢測 46
4.2 運動檢測 54
4.3 小結 59
第5章 使用ConvNetSharp訓練CNN 60
5.1 熱身 60
5.2 過濾器 64
5.3 創建網絡 64
5.3.1 第一個簡單的例子 65
5.3.2 第二個簡單的例子 66
5.3.3 第三個簡單的例子 67
5.3.4 使用Fluent API 68
5.4 GPU 68
5.5 使用MNIST數據集進行流暢設計訓練 68
5.6 訓練網絡 69
5.6.1 測試數據 70
5.6.2 預測數據 71
5.6.3 計算圖 71
5.7 小結 73
5.8 參考文獻 73
第6章 使用 RNNSharp訓練自動編碼器 74
6.1 什么是自動編碼器 74
6.2 自動編碼器的分類 74
6.2.1 標準自動編碼器 75
6.2.2 變分自動編碼器 76
6.2.3 降噪自動編碼器 76
6.2.4 稀疏自動編碼器 76
6.3 創建自己的自動編碼器 76
6.4 小結 87
6.5 參考文獻 88
第7章 用PSO代替后向傳播 89
7.1 基礎理論 89
7.1.1 群體智能 90
7.1.2 粒子群優化算法 90
7.2 用粒子群優化算法代替后向傳播 94
7.3 小結 98
第8章 函數優化 99
8.1 入門 100
8.2 函數最小化和最大化 103
8.2.1 什么是粒子 104
8.2.2 Swarm初始化 106
8.2.3 圖表初始化 107
8.2.4 狀態初始化 108
8.2.5 控制隨機性 109
8.2.6 更新群體位置 110
8.2.7 更新群速度 110
8.2.8 主程序初始化 110
8.2.9 運行粒子群優化 111
8.2.10 用戶界面 112
8.3 超參數和調參 113
8.3.1 函數 113
8.3.2 策略 114
8.3.3 維度大小 115
8.3.4 上限 115
8.3.5 下限 116
8.3.6 上限速度 116
8.3.7 下限速度 117
8.3.8 小數位 117
8.3.9 群體大小 117
8.3.10 最大迭代次數 118
8.3.11 慣性 119
8.3.12 社交權重 120
8.3.13 認知權重 121
8.3.14 慣性權重 122
8.4 可視化 122
8.4.1 二維可視化 122
8.4.2 三維可視化 123
8.5 繪制結果 128
8.5.1 回放結果 128
8.5.2 更新信息樹 130
8.6 添加新的優化函數 131
8.6.1 目的 131
8.6.2 添加新函數的步驟 131
8.6.3 添加新函數示例 132
8.7 小結 135
第9章 尋找最佳參數 136
9.1 優化 136
9.1.1 什么是適配函數 137
9.1.2 約束 137
9.1.3 元優化 139
9.2 優化方法 141
9.2.1 選擇優化器 141
9.2.2 梯度下降 141
9.2.3 模式搜索 141
9.2.4 局部單峰采樣 142
9.2.5 差異進化 142
9.2.6 粒子群優化 143
9.2.7 多優化聯絡員 143
9.2.8 網格 143
9.3 并行 144
9.3.1 并行化優化問題 144
9.3.2 并行優化方法 144
9.3.3 編寫代碼 144
9.3.4 執行元優化 146
9.3.5 計算適配度 146
9.3.6 測試自定義問題 148
9.3.7 基本問題 148
9.3.8 創建自定義問題 151
9.3.9 自定義問題示例 153
9.4 小結 154
9.5 參考文獻 155
第10章 使用TensorFlowSharp進行對象檢測 157
10.1 使用張量 157
10.2 開發自己的TensorFlow應用程序 161
10.3 檢測圖像 163
10.4 小結 166
10.5 參考文獻 166
第11章 使用CNTK進行時間序列預測和LSTM 167
11.1 長短期記憶 167
11.1.1 LSTM變體 168
11.1.2 LSTM的應用 170
11.2 CNTK術語 170
11.3 示例應用程序 171
11.3.1 編寫應用程序代碼 174
11.3.2 運行應用程序 175
11.3.3 訓練網絡 176
11.3.4 創建模型 177
11.3.5 創建批量數據 178
11.3.6 獲取下一批數據 178
11.4 LSTM的表現 178
11.5 小結 179
11.6 參考文獻 179
第12章 GRU與LSTM、RNN和前饋神經網絡 181
12.1 QuickNN 181
12.2 了解GRU 182
12.3 LSTM和GRU之間的差別 182
12.4 構建不同的網絡 183
12.4.1 編寫LSTM代碼 184
12.4.2 編寫GRU代碼 184
12.5 比較LSTM、GRU、前饋和RNN網絡的相關操作 185
12.6 網絡差異 187
12.7 小結 189
附錄A 激活函數 190
附錄B 函數優化參考 194 |
| 序： |
