| 作者 |
| 赵宏 于刚 吴美学 张浩然 屈芳瑜 王鹏 参 翁贝托·米凯卢奇 |
| 丛书名 |
| 人工智能技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9782108101721 |
| 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。 ---------------------------8071481 - 深度学习进阶：卷积神经网络和对象检测--------------------------- 本书介绍卷积神经网络的核心——错综复杂的细节和算法的微妙之处。主要包括卷积神经网络的高级主题和使用Keras和TensorFlow的对象检测。 |
| 目录 |
| [套装书具体书目] 8071481 - 深度学习进阶：卷积神经网络和对象检测 - 9787111660927 - 机械工业出版社 - 定价 79 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 ---------------------------8071481 - 深度学习进阶：卷积神经网络和对象检测--------------------------- 前言 致谢 第1章 简介和设置开发环境 1 1.1 GitHub存储库和配套网站 2 1.2 必备的数学知识 3 1.3 Python开发环境 3 1.3.1 Google Colab 4 1.3.2 Anaconda 6 1.3.3 Docker映像 14 1.3.4 你选择哪个选项 18 第2章 TensorFlow：高级主题 20 2.1 Eager Execution简介 21 2.1.1 启用Eager Execution 21 2.1.2 Eager Execution多项式拟合 22 2.1.3 应用Eager Execution 的MNIST数据分类 26 2.2 TensorFlow和Numpy兼容性 30 2.3 硬件加速 30 2.3.1 检测GPU的可用性 30 2.3.2 设备名称 31 2.3.3 显式设备使用 32 2.3.4 GPU加速器演示：矩阵乘法 33 2.3.5 MNIST示例上的GPU加速效果 34 2.4 仅特定层训练 36 2.4.1 仅特定层训练示例 37 2.4.2 层移除 40 2.5 Keras回调函数 42 2.5.1 自定义回调类 42 2.5.2 自定义回调类示例 44 2.6 模型存储与加载 47 2.6.1 手动保存权重 52 2.6.2 保存整个模型 53 2.7 数据集抽象类 53 2.7.1 遍历数据集 55 2.7.2 简单批处理 56 2.7.3 使用MNIST数据集进行简单批处理 57 2.7.4 在Eager Execution模式下使用tf.data.Dataset 60 2.8 本章小结 60 第3章 卷积神经网络的基础 61 3.1 核和过滤器 61 3.2 卷积 62 3.3 卷积示例 71 3.4 池化 77 3.5 CNN的构建基块 81 3.5.1 卷积层 82 3.5.2 池化层 83 3.5.3 叠加层 84 3.6 CNN的权重数量 84 3.6.1 卷积层 84 3.6.2 池化层 85 3.6.3 稠密层 85 3.7 CNN的示例：MNIST数据集 85 3.8 CNN学习的可视化 89 3.8.1 keras.backend.function()简介 89 3.8.2 核的作用效果 91 3.8.3 最大池化的作用效果 93 第4章 高级CNN与迁移学习 95 4.1 多通道卷积 95 4.2 初始网络的历史和基础 98 4.2.1 初始模块：初始版本 99 4.2.2 初始模块中的参数数量 100 4.2.3 具有降维功能的初始模块 100 4.3 多种成本函数：GoogLeNet 102 4.4 Keras中的初始模块示例 103 4.5 偏离：Keras中的自定义损失 106 4.6 如何使用预先训练过的网络 108 4.7 迁移学习简介 111 4.8 猫狗问题 114 4.8.1 迁移学习的经典方法 114 4.8.2 迁移学习实验 120 第5章 成本函数与风格转换 123 5.1 神经网络模型的构成 123 5.1.1 训练被视为优化问题 124 5.1.2 具体示例：线性回归 125 5.2 成本函数 126 5.2.1 数学符号 126 5.2.2 典型成本函数 127 5.3 神经风格转换 134 5.3.1 神经风格转换背后的数学原理 135 5.3.2 Keras中的图像风格转换示例 139 5.3.3 使用神经风格转换生成剪影 145 5.3.4 masking 146 第6章 对象分类简介 148 6.1 什么是对象定位 148 6.1.1 重要的可用数据集 150 6.1.2 交并比 152 6.2 一种简单的对象定位方法：滑动窗口法 153 6.3 分类和定位 159 6.4 基于区域的卷积神经网络 161 6.5 快速R-CNN 164 6.6 更快的R-CNN 165 第7章 对象定位：基于Python的实现 167 7.1 YOLO方法 167 7.1.1 YOLO工作机制 168 7.1.2 YOLOv2 170 7.1.3 YOLOv3 171 7.1.4 非极大值抑制 171 7.1.5 损失函数 172 7.2 YOLO在Python和OpenCV中的实现 173 7.2.1 YOLO的Darknet实现 173 7.2.2 应用Darknet测试对象检测 175 7.3 为特定图像训练YOLO模型 180 7.4 本章小结 181 第8章 组织学组织分类 183 8.1 数据分析和准备 184 8.2 建立模型 192 8.3 数据增强 201 8.3.1 水平和垂直移动 202 8.3.2 垂直翻转图像 203 8.3.3 随机旋转图像 204 8.3.4 图像缩放 205 8.3.5 综合操作 206 8.4 带有数据增强的VGG16 206 8.4.1 fit()函数 207 8.4.2 fit_generator()函数 207 8.4.3 train_on_batch()函数 208 8.4.4 训练网络 208 8.5 现在好好享受 209 |