作者 |
鲁远耀 |
丛书名 |
深度学习系列 |
出版社 |
机械工业出版社* |
ISBN |
9787111679790 |
简要 |
简介 |
内容简介书籍计算机书籍 本书讲述了深度学习架构与实践,共分为两个部分,第1部分(即第1~6章)为基础理论,主要对深度学习的理论知识进行了详细的讲解;第2部分(即第7~12章)为应用实践,以具体的实际案例为场景,通过理论和实践相结合的讲解方式使读者能够对深度学习技术有更好的理解。本书可以为读者提供一条轻松、快速入门深度学习的路径,有侧重地阐明深度学习的经典知识和核心要点,从架构和实践两个方面,让读者对深度学习的系统架构和若干领域的应用实践有清晰和深入的掌握。 本书适合计算机软件相关专业的高年级本科生或研究生,以及所有想要学习深度学习或从事计算机视觉算法开发的读者阅读。 |
目录 |
前言 绪论1 第1章 深度学习的架构8 11如何区分人工智能、机器学习、深度学习8 111人工智能:从概念提出到走向繁荣8 112机器学习:一种实现人工智能的方法9 113深度学习:一种实现机器学习的技术9 114人工智能、机器学习和深度学习的关系9 12深度学习的发展历史及研究现状10 121深度学习的发展历史10 122深度学习的研究现状11 13深度学习的基本内容及理论基础13 131深度学习的基本内容13 132深度学习的理论基础15 14深度学习的发展趋势与未来15 141深度学习的发展趋势15 142深度学习的未来16 第2章 深度学习相关数学基础17 21线性代数17 211标量、向量、矩阵和张量17 212矩阵和向量相乘18 213单位矩阵和逆矩阵19 214线性相关和生成子空间19 215范数21 216特殊类型的矩阵和向量22 217特征分解23 218奇异值分解24 219Moore-Penrose伪逆25 2110迹运算25 2111行列式26 2112主成分分析26 22概率论与信息论29 221随机试验、频率与概率、随机变量29 222随机变量的分布情况30 223二维随机变量31 224期望、方差、协方差、相关系数33 225常用的概率分布34 226常用函数的有用性质37 227连续型变量的技术细节39 228信息论40 229结构化概率模型41 23拟合、梯度下降与传播43 231过拟合和欠拟合43 232随机梯度下降44 233正向传播与反向传播47 第3章 神经网络的架构48 31神经网络与神经元48 32深度神经网络的概念与结构49 321深度神经网络的概念49 322深度神经网络的结构49 33深度神经网络的分类50 331前馈深度网络50 332反馈深度网络51 333双向深度网络51 34自动编码器与玻尔兹曼机51 341自动编码器51 342玻尔兹曼机52 第4章 卷积神经网络53 41卷积神经网络的概念53 42卷积神经网络的基本结构54 421卷积层55 422池化层56 423全连接层56 43非线性层与激活函数57 431Sigmoid激活函数57 432Tanh函数59 433Relu函数60 44感受野与权值共享61 441局部感受野61 442权值共享61 45卷积神经网络与反卷积神经网络62 451卷积神经网络及其特点62 452反卷积神经网络及其特点63 46卷积神经网络的训练63 第5章 循环神经网络64 51RNN的概念64 52RNN的结构64 53RNN的训练65 531反向传播算法的原理65 532反向传播算法的步骤65 54RNN的实现71 541梯度爆炸与梯度消失71 542基于RNN的语言模型例子71 543语言模型训练过程73 55RNN的发展74 551双向循环神经网络74 552长短时记忆结构75 第6章 生成对抗网络7761GAN的概念77 611对抗思想与GAN77 612最大似然估计及最优化问题79 613GAN的训练过程81 62GAN的原理82 621生成器82 622判别器83 63GAN的应用84 64GAN的发展85 641GAN的优缺点85 642GAN的未来发展方向86 第7章 Python相关基础8771Python程序结构87 711循环结构87 712分支结构89 72NumPy操作90 721NumPy的主要特点91 722ndarray91 723NumPy-数据类型94 724NumPy-数组属性94 725NumPy-数组创建例程96 726NumPy-切片和索引98 727NumPy-字符串函数99 728NumPy-算数函数100 729NumPy-算数运算100 7210NumPy-统计函数101 7211NumPy-排序、搜索和计数函数102 7212NumPy-字节交换103 7213NumPy-副本和视图103 7214NumPy-矩阵库104 7215NumPy-线性代数105 73函数105 731Python中函数的应用105 732Python函数的定义107 733Python函数的调用108 734为函数提供说明文档109 74第三方资源110 第8章 TensorFlow、Theano、Caffe的框架与安装113 81TensorFlow的框架与安装113 811TensorFlow的简介113 812TensorFlow的架构113 813TensorFlow的特点114 814TensorFlow的安装114 82Theano的框架与安装118 821Theano的简介118 822Theano的安装119 83Caffe的架构与安装121 831Caffe的简介121 832Caffe的安装122 第9章 TensorFlow、Theano、Caffe的原理及应用124 91TensorFlow的原理及应用124 911TensorFlow的工作原理124 912TensorFlow的简单应用126 913TensorFlow的复杂应用129 92Theano的基本语法及应用145 921Theano的基本语法145 922Theano在Windows下的常用实例149 923用Theano来编写一个简单的神经网络154 93Caffe的结构、写法及应用157 931Caffe的结构157 932Caffe的写法157 933Caffe的训练与测试167 第10章 手写数字识别实例177 101字符识别的意义177 102字符识别的设计与实现177 1021实验简介177 1022实验环境搭建178 103单层神经网络搭建178 1031网络搭建过程178 1032梯度下降180 104多层神经网络搭建183 1041Sigmoid激活函数184 1042Relu激活函数184 1043衰减学习率187 1044添加dropout解决过拟合现象188 105卷积神经网络190 第11章 自动生成图像描述实例195 111自动生成图像描述的目标195 112自动生成图像描述的设计198 113语言生成模型201 114自动生成图像描述的实现203 115实验结果及分析221 第12章 唇语识别实例225 121唇语识别技术的目标225 122特征提取225 1221CNN的唇部视觉特征提取225 1222RNN的时序特征提取226 1223特征分类算法SVM、KNN、Softmax228 123唇语识别模型网络架构230 1231抽取视频帧算法与视频唇部区域定位230 1232图像特征提取网络架构233 1233基于注意力机制的时间特征提取架构234 1234唇语识别模型与整体识别流程235 124实验结果及分析239 1241数据集与预处理239 1242实验结果239 1243可视化分析242 参考文献246 |