| 作者 |
| 赵宏 于刚 吴美学 张浩然 屈芳瑜 王鹏 参 高彦杰 于子叶 |
| 丛书名 |
| 人工智能技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782108119452 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------8082987 - 深度学习基础教程--------------------------- 深度学习是当前的人工智能领域的技术热点。本书面向高等院校理工科专业学生的需求，介绍深度学习相关概念，培养学生研究、利用基于各类深度学习架构的人工智能算法来分析和解决相关专业问题的能力。本书内容包括深度学习概述、人工神经网络基础、卷积神经网络和循环神经网络、生成对抗网络和深度强化学习、计算机视觉以及自然语言处理。本书适合作为高校理工科相关专业深度学习、人工智能相关课程的教材，也适合作为技术人员的参考书或自学读物。 ---------------------------8049797 - 深度学习：核心技术、工具与案例解析--------------------------- 本书共10章，可分为3个部分：第1～2章为第一部分，简介深度学习算法的发展历史和前沿技术简；第3～4章为第二部分，介绍深度学习主流框架；第5～10章为第三部分，主要为实践案例部分，结合应用场景使用深度学习技术解决相应问题，譬如语音识别器、聊天机器人、人脸识别器、对战机器人、推荐引擎构建等。 |
| 目录 |
| [套装书具体书目] 8049797 - 深度学习：核心技术、工具与案例解析 - 9787111603030 - 机械工业出版社 - 定价 69 8082987 - 深度学习基础教程 - 9787111687320 - 机械工业出版社 - 定价 59 ---------------------------8082987 - 深度学习基础教程--------------------------- 前言 第1章 深度学习概述 1 1.1 深度学习的发展历程 1 1.1.1 深度学习的历史 1 1.1.2 深度学习领域的重要人物 5 1.2 深度学习的关键技术 7 1.2.1 深度学习的机理 7 1.2.2 深度学习的三要素 8 1.2.3 数据的特征 9 1.2.4 深度学习的主要模型 10 1.2.5 深度学习模型的训练过程 11 1.2.6 深度学习模型的学习方式 12 1.2.7 深度学习的常用框架 14 1.3 深度学习网络的发展脉络及应用领域 18 1.3.1 深度学习网络的发展脉络 18 1.3.2 深度学习的应用领域 19 课后习题 21 参考文献 22 第2章 人工神经网络基础 24 2.1 人工神经网络的生物学基础 24 2.1.1 神经元的基本模型 24 2.1.2 突触的结构 26 2.2 人工神经元模型 26 2.2.1 人工神经元的数学模型 26 2.2.2 常见的人工神经元模型 30 2.3 人工神经网络模型 34 2.3.1 神经网络的基本结构 34 2.3.2 神经网络的分类 36 2.4 神经网络的前向传播机制 39 2.5 神经网络的反向传播机制 40 2.6 基于反向传播算法的神经网络设计流程 43 2.7 人工神经网络的参数优化问题 45 2.7.1 神经网络层数的优化问题 45 2.7.2 归一化指数函数softmax 47 2.7.3 学习率 49 2.7.4 欠拟合和过拟合问题 50 课后习题 52 参考文献 53 第3章 卷积神经网络和循环神经网络 54 3.1 卷积神经网络 54 3.1.1 卷积神经网络的基本概念 54 3.1.2 卷积神经网络的结构 58 3.1.3 卷积神经网络的常用架构 65 3.2 循环神经网络 72 3.2.1 循环神经网络的基本概念 72 3.2.2 循环神经网络的应用——语言模型 77 3.2.3 循环神经网络的梯度问题及解决方法 80 3.2.4 循环神经网络的改进 84 课后习题 87 参考文献 89 第4章 生成对抗网络和深度强化学习 92 4.1 生成对抗网络 92 4.1.1 生成对抗网络概述 92 4.1.2 生成对抗网络的基本原理 94 4.1.3 几种改进的生成对抗网络模型 99 4.1.4 生成对抗网络的应用 103 4.2 强化学习 106 4.2.1 强化学习概述 106 4.2.2 强化学习的决策过程 108 4.2.3 Q-Learning算法 111 4.2.4 深度强化学习 112 课后习题 118 参考文献 119 第5章 计算机视觉 121 5.1 计算机视觉概述 121 5.1.1 计算机视觉的历史 122 5.1.2 计算机视觉的挑战与机遇 123 5.1.3 计算机视觉常见的数据集 125 5.1.4 计算机视觉处理的基本流程 130 5.2 图像预处理 131 5.2.1 图像去噪 131 5.2.2 图像归一化 133 5.2.3 图像分割技术 134 5.3 计算机视觉常用的网络结构 136 5.3.1 图像分类常用的深度学习网络结构 136 5.3.2 视频分类常用的深度学习网络结构 140 5.3.3 目标检测常用的深度学习网络结构 144 课后习题 152 参考文献 154 第6章 自然语言处理 156 6.1 自然语言处理概述 156 6.1.1 发展历史 157 6.1.2 自然语言处理的过程 158 6.1.3 基础技术 160 6.1.4 词嵌入算法 162 6.1.5 N-gram语言模型 166 6.1.6 注意力机制 167 6.2 自然语言处理的应用模型 171 6.2.1 文本分类 171 6.2.2 自动文本摘要 175 6.2.3 自动问答系统 178 6.2.4 触发字检测 181 课后习题 182 参考文献 183 ---------------------------8049797 - 深度学习：核心技术、工具与案例解析--------------------------- 前言 第1章 了解深度学习 1 1.1 什么是深度学习 1 1.1.1 深度学习能解决的问题 2 1.1.2 深度学习适用的领域 3 1.2 深度学习的技术发展 6 1.2.1 基础技术发展 7 1.2.2 应用技术发展 8 1.3 深度学习的知识点汇总 10 1.3.1 深度学习的预备技术 11 1.3.2 深度学习的技术构成 12 1.3.3 深度学习向其他行业与技术领域的延伸 13 1.4 深度学习工具与平台介绍 15 1.4.1 深度学习框架 15 1.4.2 深度学习基础架构 18 1.4.3 深度学习开发工具 19 1.4.4 深度学习辅助工具 20 1.4.5 深度学习云平台服务 20 1.5 本章小结 22 1.6 参考资料 23 第2章 深度学习技术 24 2.1 深度学习基础 24 2.1.1 感知器 26 2.1.2 激活函数 27 2.1.3 输入层、隐藏层、输出层 29 2.1.4 前向传播与反向传播求导 29 2.2 CNN 30 2.2.1 前馈网络解决图像存在的问题 31 2.2.2 卷积神经网络 31 2.2.3 图像的几个不变性 33 2.2.4 卷积 34 2.2.5 池化 38 2.2.6 Inception 39 2.2.7 Flatten层和全连接层 39 2.2.8 跳层连接 40 2.2.9 经典CNN 41 2.3 RNN 41 2.3.1 RNN结构 42 2.3.2 基本结构与前向传播 43 2.3.3 BPTT 44 2.3.4 LSTM 46 2.3.5 RNN拓展 50 2.4 最优化算法 52 2.4.1 梯度下降 52 2.4.2 Adam 54 2.5 本章小结 56 第3章 TensorFlow基础 57 3.1 TensorFlow 57 3.2 获取与安装 60 3.3 变量及作用域 61 3.4 构建计算图 66 3.5 全连接网络构建 71 3.6 CNN构建 78 3.7 RNN构建 82 3.8 多架构运行 85 3.8.1 GPU使用 85 3.8.2 多CPU使用 86 3.9 队列使用 88 3.10 本章小结 89 第4章 TensorFlow进阶 90 4.1 TensorFlow架构与原理 90 4.2 TensorFlow扩展 93 4.2.1 TF Layers 94 4.2.2 TF Slim 95 4.2.3 TFLearn 96 4.2.4 Keras 99 4.3 Tensorboard与问题监控 101 4.4 改善深度神经网络 103 4.5 性能优化建议 105 4.6 深度神经网络结构 107 4.6.1 Inception结构 107 4.6.2 ResNet结构 108 4.6.3 Seq2Seq结构 108 4.6.4 Attention 109 4.7 本章小结 110 第5章 语音识别器 111 5.1 任务分析 111 5.2 数据与特征分析 114 5.2.1 语音数据库 114 5.2.2 语音数据特征 115 5.3 主流语音识别网络结构 119 5.3.1 用于语音识别的CNN 120 5.3.2 用于语音识别的RNN 122 5.4 CTC Loss 123 5.5 文本向量化 126 5.5.1 英文文本向量化 126 5.5.2 中文文本向量化 129 5.5.3 文本标签比对 130 5.6 完整构建神经网络 131 5.6.1 构建CNN识别网络 132 5.6.2 用于语音识别的RNN 136 5.7 数据训练 138 5.8 参数调优 140 5.9 实际数据分析 141 5.10 本章小结 142 第6章 对话机器人 143 6.1 对话机器人概述与应用领域 143 6.2 对话机器人主流技术 145 6.2.1 基于模板的对话机器人 145 6.2.2 基于检索技术的对话机器人 146 6.2.3 基于深度学习的对话机器人 146 6.3 对话机器人的前沿与功能扩展 147 6.4 深度学习对话机器人原理 149 6.5 构建对话机器人 150 6.5.1 Bot界面与交互 150 6.5.2 语料预处理 155 6.5.3 模型构建 161 6.5.4 训练流程 163 6.5.5 在线推断 165 6.6 本章小结 166 第7章 人脸识别器 167 7.1 任务分析 167 7.2 Detection、Aliment与Identify 170 7.3 数据特征分析 172 7.3.1 人脸位置和范围数据 173 7.3.2 人脸关键点数据 174 7.3.3 人脸识别数据库 176 7.4 haar分类器方式 178 7.4.1 固定特征的提取 178 7.4.2 分类器 180 7.4.3 代码实现 182 7.5 神经网络方法演进 183 7.6 人脸识别网络构建 185 7.6.1 人脸检测网络MTCNN 185 7.6.2 用于人脸检测的GoogleNet 188 7.7 主流人脸识别网络差异分析 190 7.8 TensorFlow搭建网络 191 7.9 参数调优 193 7.10 实战分析 195 7.11 本章小结 197 第8章 自动驾驶 198 8.1 自动驾驶的介绍与应用领域 198 8.1.1 自动驾驶的应用场景 199 8.1.2 自动驾驶分级 199 8.2 自动驾驶技术 201 8.2.1 端到端的自动驾驶历史 202 8.2.2 底层硬件支撑技术平台 203 8.3 深度增强学习 204 8.4 行车检测 208 8.4.1 物体检测 208 8.4.2 YOLO模型 209 8.4.3 车辆图像数据探索 211 8.4.4 车辆视频数据预处理 212 8.4.5 迁移学习 212 8.4.6 模型推断 213 8.4.7 绘制检测结果 213 8.5 端到端自动驾驶 216 8.5.1 英伟达End to End模型 216 8.5.2 评估指标 219 8.5.3 数据分析 219 8.5.4 读入视频，并处理图像 222 8.5.5 深度学习模型构建与训练 222 8.5.6 可视化结果 223 8.6 本章小结 224 8.7 参考资料 224 第9章 可视化实践 225 9.1 可视化发展 225 9.2 可视化过程 227 9.3 Matplotlib 228 9.4 ECharts 230 9.5 可视化实践 232 9.6 三维可视化 234 9.7 动态可视化 237 9.8 本章小结 239 第10章 优化实践 240 10.1 通用深度神经网络训练优化建议 240 10.1.1 过拟合与欠拟合 242 10.1.2 数据增强 244 10.1.3 梯度消失 245 10.1.4 初始化权值 245 10.1.5 优化算法 246 10.1.6 超参数选择 247 10.2 深度学习系统性能优化建议 250 10.2.1 输入及预处理流水线优化 250 10.2.2 数据格式 251 10.2.3 编译优化 252 10.2.4 GPU性能瓶颈诊断 252 10.2.5 CPU瓶颈优化 254 10.2.6 模型压缩 255 10.3 工程实践建议 256 10.3.1 Model格式转换 256 10.3.2 迁移学习 256 10.3.3 在线推断TensorFlow Serving 259 10.4 本章小结 260 |