| 作者 |
| [美] 拉加夫·维凯特森（Ragav Venkatesan）李宝新（Baoxin Li） |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111612391 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 从零基础开始，系统阐述卷积神经网络理论基础及其实践应用，可以帮助初学者快速学习和构建深度学习系统。第1章简要介绍了图像表示和一些计算机视觉模型；第2章介绍了回归、机器学习和优化的概念；第3章介绍了Rosenblatt感知器和感知器学习算法、logistic神经元及其激活函数，以及两类和多类问题的单神经元模型等；第4章介绍了卷积池化层和CNN；第5章通过介绍CNN的一些当前新颖实用的用法，进一步拓展和丰富了深度神经网络的结构。 |
| 目录 |
| 译者序 作者简介 前言 致谢 第1章视觉计算简介 11图像表示基础 111变换域表示 112图像的直方图 113图像梯度和边缘 114超越图像梯度 12基于Hough变换的直线检测 13Harris角点 14尺度不变的特征变换 15方向梯度直方图 151人工设计特征空间中的决策制定 152贝叶斯决策 153线性决策边界 16可变形零件模型的实例研究 17计算机视觉向神经网络转变 本章小结 参考文献 第2章回归问题中的机器学习 21监督学习 22线性模型 23最小二乘法 24极大似然估计的解释 25扩展到非线性模型 26正则化 27交叉验证 28梯度下降 29几何正则化 210非凸误差面 211随机梯度、批梯度及在线梯度下降 212其他自适应学习率的更新规则 213动量 本章小结 参考文献 第3章 人工神经网络 31感知器 32多层神经网络 33反向传播算法 34改进的反向传播算法 341激活函数 342权重剪枝 343批量标准化 本章小结 参考文献 第4章卷积神经网络 41卷积与池化层 42卷积神经网络 本章小结 参考文献 第5章卷积神经网络的新进展 51预训练网络 511通用性和可传递性 512利用预训练网络的模型压缩 513Mentee网络与FitNet 514使用预训练网络的应用：使用CNN的图像美学 52生成网络 521自动编码器 522生成对抗网络 本章小结 参考文献 附录AYann 后记 |