 |
-- 會員 / 註冊 --
|
 |
|
|
|
深度學習原理與實踐 ( 簡體 字) |
| 作者：陳仲銘 彭凌西 | 類別：1. -> 程式設計 -> 深度學習 |
| 譯者： |
| 出版社：人民郵電出版社 |  3dWoo書號： 49596
詢問書籍請說出此書號！【有庫存】
NT售價： 445 元 |
| 出版日：8/1/2018 |
| 頁數：326 |
| 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：9787115483676 |
| 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：本書詳細介紹了目前深度學習相關的常用網絡模型（ANN、CNN、RNN），以及不同網絡模型的算法原理和核心思想。本書利用大量的實例代碼對網絡模型進行了分析，這些案例能夠加深讀者對網絡模型的認識。此外，本書還提供完整的進階內容和對應案例，讓讀者全面深入地了解深度學習的知識和技巧，達到學以致用的目的。
本書適用于大數據平臺系統工程師、算法工程師、數據科學家，可作為對人工智能和深度學習感興趣的計算機相關從業人員的學習用書，也可作為計算機等相關專業的師生用書和培訓學校的教材。 |
目錄：第 1章 初探深度學習 1
1.1 什么是深度學習 2
1.1.1 機器學習的一般方法 4
1.1.2 選擇深度學習的原因 5
1.1.3 深度學習前的思考 6
1.2 深度學習的應用 7
1.3 深度學習的硬件加速器 10
1.3.1 GPU比CPU更適合深度學習 10
1.3.2 GPU硬件選擇 13
1.4 深度學習的軟件框架 15
1.5 本章小結 19
引用/參考 19
第 2章 人工神經網絡 21
2.1 人工神經網絡概述 22
2.1.1 歷史背景 22
2.1.2 基本單位—神經元 24
2.1.3 線性模型與激活函數 25
2.1.4 多層神經網絡 26
2.2 訓練與預測 28
2.2.1 訓練 28
2.2.2 預測 29
2.3 核心算法 29
2.3.1 梯度下降算法 29
2.3.2 向前傳播算法 31
2.3.3 反向傳播算法 33
2.4 示例：醫療數據診斷 42
2.4.1 從醫療數據到數學模型 43
2.4.2 準備數據 44
2.4.3 線性分類 45
2.4.4 建立人工神經網絡模型 46
2.4.5 隱層節點數對人工神經網絡模型的影響 53
2.5 本章小結 55
引用/參考 56
第3章 深度學習基礎及技巧 58
3.1 激活函數 59
3.1.1 線性函數 60
3.1.2 Sigmoid函數 61
3.1.3 雙曲正切函數 62
3.1.4 ReLU函數 63
3.1.5 Softmax函數 64
3.1.6 激活函數的選擇 65
3.2 損失函數 65
3.2.1 損失函數的定義 66
3.2.2 回歸損失函數 67
3.2.3 分類損失函數 69
3.2.4 神經網絡中常用的損失函數 70
3.3 超參數 71
3.3.1 學習率 71
3.3.2 動量 72
3.4 深度學習的技巧 73
3.4.1 數據集準備 73
3.4.2 數據集擴展 74
3.4.3 數據預處理 76
3.4.4 網絡的初始化 81
3.4.5 網絡過度擬合 84
3.4.6 正則化方法 85
3.4.7 GPU的使用 88
3.4.8 訓練過程的技巧 89
3.5 本章小結 91
引用/參考 92
第4章 卷積神經網絡 93
4.1 卷積神經網絡概述 94
4.1.1 卷積神經網絡的應用 95
4.1.2 卷積神經網絡的結構 99
4.1.3 卷積神經網絡與人工神經網絡的聯系 101
4.2 卷積操作 103
4.2.1 滑動窗口卷積操作 104
4.2.2 網絡卷積層操作 105
4.2.3 矩陣快速卷積 107
4.3 卷積神經網絡三大核心思想 110
4.3.1 傳統神經網絡的缺點 110
4.3.2 局部感知 111
4.3.3 權值共享 112
4.3.4 下采樣 113
4.4 設計卷積神經網絡架構 115
4.4.1 網絡層間排列規律 116
4.4.2 網絡參數設計規律 116
4.5 示例1：可視化手寫字體網絡特征 117
4.5.1 MNIST手寫字體數據庫 118
4.5.2 LeNet5網絡模型 119
4.5.3 LeNet5網絡訓練 122
4.5.4 可視化特征向量 124
4.6 示例2：少樣本卷積神經網絡分類 127
4.6.1 Kaggle貓狗數據庫 128
4.6.2 AlexNet模型 130
4.6.3 AlexNet訓練 134
4.6.4 AlexNet預測 136
4.6.5 微調網絡 137
4.7 本章小結 140
引用/參考 141
第5章 卷積神經網絡視覺盛宴 143
5.1 圖像目標檢測 144
5.1.1 傳統目標檢測方法 146
5.1.2 基于區域的網絡 147
5.1.3 基于回歸的網絡 157
5.1.4 目標檢測小結 163
5.2 圖像語義分割 165
5.2.1 傳統圖像分割方法 165
5.2.2 全卷積神經網絡 167
5.2.3 SegNet網絡 171
5.2.4 DeepLab網絡 173
5.3 示例1：NMS確定候選框 176
5.4 示例2：SS算法提取候選框 179
5.4.1 圖像復雜度 179
5.4.2 算法核心思想 180
5.4.3 區域相似度計算 184
5.5 本章小結 189
引用/參考 190
第6章 卷積神經網絡進階示例 192
6.1 示例1：全卷積網絡圖像語義分割 193
6.1.1 VGG連續小核卷積層 193
6.1.2 VGG網絡模型 195
6.1.3 全卷積網絡模型 199
6.1.4 全卷積網絡語義分割 204
6.2 示例2：深度可視化網絡 209
6.2.1 梯度上升法 210
6.2.2 可視化所有卷積層 213
6.2.3 可視化輸出層 218
6.2.4 卷積神經網絡真能理解視覺嗎 219
6.3 示例3：卷積神經網絡藝術繪畫 220
6.3.1 算法思想 221
6.3.2 圖像風格定義 222
6.3.3 圖像內容定義 224
6.3.4 算法實現 225
引用/參考 229
第7章 循環神經網絡 231
7.1 初識循環神經網絡 232
7.1.1 前饋式神經網絡的缺點 233
7.1.2 什么是序列數據 234
7.2 循環神經網絡的應用 235
7.3 循環神經網絡的模型結構 237
7.3.1 序列數據建模 237
7.3.2 基本結構 238
7.3.3 其他結構 239
7.4 循環神經網絡的核心算法 241
7.4.1 模型詳解 241
7.4.2 向前傳播 243
7.4.3 損失函數 245
7.4.4 時間反向傳播算法 246
7.4.5 梯度消失與梯度爆炸 251
7.5 示例：使用循環神經網絡預測文本數據 254
7.5.1 定義網絡模型 254
7.5.2 序列數據預處理 255
7.5.3 準備輸入輸出數據 258
7.5.4 實現簡單的循環神經網絡模型 260
7.6 本章小結 263
引用/參考 264
第8章 循環神經網絡進階序列長期記憶 265
8.1 長期依賴問題 266
8.2 長短期記憶網絡 269
8.2.1 LSTM網絡結構 269
8.2.2 LSTM記憶單元 270
8.2.3 LSTM記憶方式 274
8.3 門控循環單元 274
8.3.1 GRU記憶單元 275
8.3.2 GRU實現 276
8.3.3 GRU與LSTM比較 277
8.4 示例1：神奇的機器翻譯 278
8.4.1 基于統計的機器翻譯 279
8.4.2 基于神經網絡的機器翻譯 282
8.4.3 編碼-解碼模型 283
8.4.4 平衡語料數據集 287
8.4.5 機器翻譯的未來 292
8.5 示例2：智能對話機器人 293
8.5.1 Seq2Seq模型 294
8.5.2 Seq2Seq模型的缺點 295
8.5.3 超越Seq2Seq框架 296
8.6 示例3：智能語音識別音箱 299
8.6.1 語音識別框架 300
8.6.2 準備語音數據 302
8.6.3 語音特征提取 306
8.6.4 聲學模型 311
8.6.5 語言模型 323
8.6.6 語音識別的展望 323
8.7 本章小結 324
引用/參考 325 |
| 序： |
|
