 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習：從入門到實戰 ( 簡體 字) |
| 作者：高志強黃劍李永劉明明 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：中國鐵道出版社 |  3dWoo書號： 49551
詢問書籍請說出此書號！【有庫存】
NT售價： 300 元 |
| 出版日：6/1/2018 |
| 頁數：307 |
| 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：9787113244286 |
| 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： |
目錄：第1篇深度學習入門篇
第0章引言：從人工智慧到深度學習2
0.1 人工智慧與機器學習 2
0.1.1 人工智慧 3
【知識擴容】大資料帶來的挑戰 4
0.1.2 機器學習 4
【認知提升】細說圖靈測試 5
【新觀點】機器學習適合做什麼 6
0.2 機器學習的模式 7
【知識擴容】人工智慧學派之爭 8
0.3 深度學習 9
【案例0-1】天氣預報深度神經網路 9
【認知提升】說文解字“深度學習” 11
【應知應會】深度與學習 12
【最佳實踐】減小損失函數的方法 12
0.4 溫故知新 13
0.5 停下來，思考一下 14
第1章深度學習入門基礎 16
1.1 數學基礎 16
1.1.1 矩陣論基礎 17
【案例1-1】像指揮官一樣對矩陣進行“排兵佈陣” 18
1.1.2 概率論基礎與重要結論 19
【應知應會】MATLAB中概率論基本命令 21
1.2 機器學習基礎 21
1.2.1 監督學習 22
【應知應會】資料採擷與機器學習 22
1.2.2 無監督學習 23
【案例1-2】“無監督學習”中的k-means聚類 24
1.3 神經網路基礎 26
1.3.1 生物神經網路 26
【認知提升】探索初級視覺皮層的啟示 26
1.3.2 人工神經網路與神經元模型 27
【知識擴容】Walter Pitts其人 27
1.4 最優化理論基礎 28
1.4 1 最優化問題 29
1.4.2 多目標優化問題 30
1.4.3 群智慧優化方法 31
【案例1-3】指揮“群智慧團隊”逐漸逼近問題最優解 32
1.5 溫故知新 35
1.6 停下來，思考一下 36
第2章神經網路原理與實現 38
2.1 線性問題與感知機 38
2.2 多層前饋神經網路與BP演算法 41
2.2.1 多層前饋神經網路 41
【案例2-1】具有異或邏輯的感知機 42
2.2.2 多層前饋神經網路的訓練 43
【案例2-2】訓練前饋神經網路 47
【應知應會】梯度下降演算法 47
2.3 其他神經網路 48
2.3.1 徑向基函數網路 48
2.3.2 自組織映射網路 49
【案例2-3】用SOM網路聚類Iris資料 49
2.3.3 深度神經網路 50
2.4 溫故知新 53
2.5 停下來，思考一下 53
第2篇深度學習方法論解析篇
第3章卷積神經網路（CNN） 58
3.1 卷積神經網路入門 58
3.1.1 生物機理 59
3.1.2 拓撲結構 61
【知識擴容】影像處理中的全連接網路與卷積網路 63
3.1.3 卷積神經網路的特點 63
3.2 卷積神經網路的關鍵技術64
3.2.1 卷積 65
【案例3-1】利用圖像的卷積操作對6×6的單通道圖像進行瘦身 66
【知識擴容】多通道卷積 67
【案例3-2】構建基本CNN 68
【認知提升】不同角度看“卷積” 68
3.2.2 池化 69
【最佳實踐】小技巧總結 71
【案例3-3】在Keras框架中實現MaxPooling 71
【知識擴容】VGG卷積神經網路 72
【案例3-4】揭開VGG和GoogLeNet的“廬山真面目” 73
【認知提升】GoogleNet的Inception結構 75
3.2.3 扁平化 75
【案例3-5】實現圖像特徵矩陣的扁平化操作 76
3.2.4 關鍵技術小結 76
【新觀點】卷積神經網路發展方向 77
3.3 綜合案例：三步教你構建手寫字識別神經網路 78
【應知應會】Adam優化演算法 79
【知識擴容】CNN在自然語言處理中的應用 81
3.4 溫故知新 82
3.5 停下來，思考一下 82
第4章生成式對抗網路（GAN） 84
4.1 生成式對抗網路基本原理84
4.1.1 GAN的核心思想 84
【認知提升】GAN與博弈理論 85
4.1.2 GAN數學描述 86
【認知提升】“囚徒困境”博弈模型 86
4.1.3 GAN的網路結構與核心技術 87
4.1.4 GAN的改進模型 90
【案例4-1】ACGAN基於TensorFlow框架的實現（圖像為64×64單通道資料） 91
【認知提升】博弈理論與多目標優化 98
4.2 GAN應用 99
4.2.1 數據缺失 100
4.2.2 多標籤預測 101
4.2.3 根據環境生成相應資料 102
4.2.4 資料特徵表示 103
4.2.5 圖像檢索 104
4.2.6 文本到圖像翻譯 104
4.2.7 醫學方面 105
4.3 綜合案例：動手構建生成式對抗網路 106
4.3.1 基於MATLAB的GAN 106
4.3.2 基於TensorFlow的GAN 108
4.4 溫故知新 115
4.5 停下來，思考一下 115
第5章迴圈神經網路（RNN） 117
5.1 迴圈神經網路基本原理117
5.1.1 問題背景 118
【案例5-1】詞性標注（我學習迴圈神經網路） 118
【應知應會】one-hot編碼 119
【認知提升】神經網路的記憶問題 120
5.1.2 迴圈神經網路基本思想 120
【最佳實踐】RNN的梯度爆炸和消失問題 123
5.2 LSTM網路基本原理 124
5.2.1 LSTM的關鍵技術 124
【知識擴容】遞迴神經網路（Recursive Neural Network，RNN） 128
5.2.2 LSTM的應用 128
【應知應會】自然語言處理 129
5.3 綜合案例：基於LSTM的語音預測 130
5.3.1 載入數據 130
5.3.2 定義網路結構 130
5.3.3 網路訓練及評估 131
【應知應會】深度學習代碼一般結構 132
5.4 綜合案例：基於迴圈神經網路的手寫數位識別 132
5.4.1 資料準備及參數設置 132
5.4.2 網路構建 133
5.4.3 網路訓練 134
5.5 綜合案例：基於LSTM的自然語言處理 135
5.5.1 資料收集及編碼 135
5.5.2 構建LSTM模型 136
5.5.3 模型訓練 137
5.5 溫故知新 137
5.6 停下來，思考一下 138
第3篇深度學習實戰篇
第6章深度學習主流工具及框架 142
6.1 MATLAB基本語法與深度學習工具箱 142
6.1.1 MATLAB簡介 142
6.1.2 MATLAB安裝 143
6.1.3 MATLAB常用語法 146
6.1.4 基於MATLAB的深度學習工具箱 149
【案例6-1】基於MATLAB的AlexNet模型初探 151
【案例6-2】用安裝好的深度學習工具箱中的卷積神經網路做mnist
手寫數位識別，來驗證工具箱的有效性 152
6.2 Python基本語法、庫與開發工具 153
6.2.1 Python簡介 153
6.2.2 Python安裝 153
6.2.3 Python常用語法 155
【應知應會】Python常見錯誤提示及原因 156
6.2.4 常用Python庫 157
6.2.5 常用Python開發工具 161
【知識擴容】PyCharm常用快速鍵 162
【案例6-3】Python送你聖誕帽 163
6.3 Caffe框架及環境搭建 165
6.3.1 Caffe簡介 165
6.3.2 Caffe環境搭建 166
【案例6-4】手寫體數位識別 167
6.4 TensorFlow框架及環境搭建 167
6.4.1 TensorFlow簡介 167
6.4.2 TensorFlow與Keras框架的關係 168
6.4.3 Windows 10上TensorFlow的環境搭建 169
6.5 其他常用框架 177
6.5.1 微軟CNTK 177
6.5.2 MXNet 178
6.5.3 Torch 178
6.5.4 Theano 179
6.6 溫故知新 180
6.7 停下來，思考一下 180
第7章 AlexNet關鍵技術與實戰 182
7.1 剖析AlexNet網路結構 182
【知識擴容】ImageNet與李飛飛 186
7.2 AlexNet關鍵技術 187
7.2.1 ReLU啟動函數 187
7.2.2 標準化 187
【應知應會】啟動函數的“飽和”與“不飽和” 188
【認知提升】馬太效應、二八定律、長尾理論 188
7.2.3 Dropout 189
7.2.4 多GPU 190
【應知應會】CUDA 190
7.3 AlexNet與LeNet對比 191
7.4 CNN通用架構 191
7.5 綜合案例：基於AlexNet的深度學習實戰 192
7.5.1 靜態圖像分類 192
7.5.2 用AlexNet做特徵提取（feature extraction） 194
7.5.3 用AlexNet做遷移學習 197
7.5.4 卷積神經網路的特徵視覺化 200
7.6 溫故知新 209
7.7 停下來，思考一下 210
第8章將手寫體識別進行到底 211
8.1 手寫體識別“江湖地位”211
8.2 手寫數位識別 212
8.2.1 手寫數字的無監督學習 213
【應知應會】稀疏表示 213
【應知應會】無監督學習中的自動編碼器 219
8.2.2 手寫數位的全連接神經網路識別 219
【應知應會】softmax函數介紹 220
【認知提升】熵 220
8.2.3 手寫數位的卷積神經網路識別 221
8.3 手寫漢字識別 229
8.3.1 數據讀取及預處理 229
【最佳實踐】資料讀取 231
8.3.2 卷積神經網路構建 231
8.3.3 網路模型訓練及結果視覺化 233
8.4 綜合案例：手寫數字旋轉角度識別 234
8.4.1 數據載入 235
8.4.2 網路構建 235
8.4.3 網路訓練 236
8.4.4 測試預測精度 236
8.4.5 殘差展示 237
8.4.6 偏轉角度矯正及視覺化 237
8.5 溫故知新 238
8.6 停下來，思考一下 239
第9章基於深度學習的視頻檢測 240
9.1 人物監控視頻問題研究意義及現狀 240
9.1.1 研究意義 240
9.1.2 國內外研究現狀 242
9.2 研究情況介紹 244
9.2.1 研究內容 244
9.2.2 研究目標及關鍵科學問題 244
【案例9-1】基於Python庫的人臉識別 245
9.3 綜合案例：基於深度學習的人臉視頻檢測 247
9.3.1 環境準備 247
9.3.2 資料處理 248
9.3.3 模型訓練 250
9.3.4 監控代碼 255
9.4 綜合案例：基於深度學習的物體視頻檢測 256
9.4.1 AlexNet回顧 256
9.4.2 入門版 257
9.4.3 初級版 258
9.4.4 加強版 259
9.4.5 升級版 260
9.4.6 豪華版 261
【案例9-2】讓手機當網路攝像頭 262
9.5 溫故知新 262
9.6 停下來，思考一下 263
第10章基於深度學習的資訊隱藏 264
10.1 數位圖像隱寫分析研究現狀及意義 264
10.1.1 研究意義 267
10.1.2 研究現狀 268
10.1.3 潛在的應用 268
10.2 數位圖像隱寫分析概述 270
【案例10-1】基於四叉樹編碼的空間域高保真可逆資訊隱藏 271
10.3 基於ACGAN的無載體資訊隱藏 272
10.3.1 生成式對抗網路回顧 272
【應知應會】零和博弈 272
10.3.2 基於ACGAN的資訊隱藏關鍵技術 274
10.4 綜合案例：ACGAN信息隱藏實戰 276
10.4.1 方案概述 276
【認知提升】可逆資訊隱藏 277
10.4.2 隱藏演算法與提取演算法的實現 278
10.4.3 性能分析 286
10.4.3 可靠性 287
10.4.4 安全性 287
10.5 溫故知新 288
|
| 序： |
|
