掃一掃
關(guān)注中圖網(wǎng)
官方微博
包郵 深度學(xué)習(xí)方法解析與實(shí)戰(zhàn)應(yīng)用
開(kāi)本：
23cm
頁(yè)數(shù)：
284頁(yè)
本類(lèi)榜單：計(jì)算機(jī)/網(wǎng)絡(luò)銷(xiāo)量榜
本類(lèi)五星書(shū)更多>
-
>
全國(guó)計(jì)算機(jī)等級(jí)考試最新真考題庫(kù)模擬考場(chǎng)及詳解·二級(jí)MSOffice高級(jí)應(yīng)用
-
>
決戰(zhàn)行測(cè)5000題(言語(yǔ)理解與表達(dá))
-
>
軟件性能測(cè)試.分析與調(diào)優(yōu)實(shí)踐之路
-
>
第一行代碼Android
-
>
JAVA持續(xù)交付
-
>
EXCEL最強(qiáng)教科書(shū)(完全版)(全彩印刷)
-
>
深度學(xué)習(xí)
中圖價(jià):¥35.6
加入購(gòu)物車(chē)
深度學(xué)習(xí)方法解析與實(shí)戰(zhàn)應(yīng)用 版權(quán)信息
- ISBN：9787560657271
- 條形碼：9787560657271 ; 978-7-5606-5727-1
- 裝幀：一般膠版紙
- 冊(cè)數(shù)：暫無(wú)
- 重量：暫無(wú)
- 所屬分類(lèi)：>
深度學(xué)習(xí)方法解析與實(shí)戰(zhàn)應(yīng)用 本書(shū)特色
本書(shū)共分十章，包括矢量分析基本內(nèi)容，電磁場(chǎng)與電磁波的基本理論，無(wú)線電波在地球大氣中的傳播方式、特點(diǎn)、規(guī)律和應(yīng)用，天線的輻射原理、基本參數(shù)、分類(lèi)，線天線、口徑天線、陣列天線、相控陣天線的結(jié)構(gòu)、特點(diǎn)與應(yīng)用。
深度學(xué)習(xí)方法解析與實(shí)戰(zhàn)應(yīng)用 內(nèi)容簡(jiǎn)介
本書(shū)從理論、工具基礎(chǔ)講解開(kāi)始, 層層遞進(jìn), 分別向讀者清晰地展現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度強(qiáng)化學(xué)習(xí)的知識(shí)脈絡(luò)與方法原理。同時(shí), 按照具體應(yīng)用場(chǎng)景, 結(jié)合主流深度學(xué)習(xí)框架, 給出所講述理論的落地應(yīng)用案例和編程開(kāi)發(fā)指導(dǎo), 旨在結(jié)合理論與實(shí)踐, 平衡知識(shí)的深度與廣度, 明確入門(mén)與進(jìn)階路徑, 使讀者更加深入全面地理解深度學(xué)習(xí)的原理及實(shí)踐方法。
深度學(xué)習(xí)方法解析與實(shí)戰(zhàn)應(yīng)用 目錄
**篇 基礎(chǔ)入門(mén)篇
第0章 人工智能概述 3
0.1 人工智能的定義與學(xué)派 3
0.1.1 人工智能定義 3
0.1.2 人工智能學(xué)派 5
0.2 人工智能簡(jiǎn)史 6
0.2.1 早期的人工智能 7
0.2.2 人工智能的波浪式前進(jìn) 8
0.3 人工智能的關(guān)鍵支撐技術(shù) 10
0.3.1 算法——深度神經(jīng)網(wǎng)絡(luò) 11
0.3.2 數(shù)據(jù)——多源異構(gòu)大數(shù)據(jù) 11
0.3.3 算力——高性能計(jì)算芯片 12
0.4 人工智能的應(yīng)用與面臨的挑戰(zhàn) 13
0.4.1 人工智能應(yīng)用領(lǐng)域 13
0.4.2 人工智能前沿 16
0.4.3 發(fā)展趨勢(shì)與面臨的挑戰(zhàn) 19
0.5 國(guó)家戰(zhàn)略與政策下的人工智能 21
0.5.1 國(guó)內(nèi)政策及戰(zhàn)略規(guī)劃 21
0.5.2 國(guó)外戰(zhàn)略與政策 23
0.6 習(xí)題 23
參考資源 24
第1章 理論基礎(chǔ) 25
1.1 數(shù)學(xué)基礎(chǔ) 25
1.1.1 線性代數(shù)與矩陣論 25
1.1.2 概率論與統(tǒng)計(jì)學(xué) 27
1.1.3 博弈論 28
1.1.4 *優(yōu)化理論 28
1.2 算法基礎(chǔ) 29
1.2.1 算法概論 30
1.2.2 數(shù)據(jù)結(jié)構(gòu) 30
1.3 機(jī)器學(xué)習(xí)基礎(chǔ) 31
1.3.1 機(jī)器學(xué)習(xí)概述 31
1.3.2 監(jiān)督學(xué)習(xí) 35
1.3.3 無(wú)監(jiān)督學(xué)習(xí) 35
1.3.4 強(qiáng)化學(xué)習(xí) 36
1.3.5 聯(lián)邦學(xué)習(xí) 37
1.4 大數(shù)據(jù)基礎(chǔ) 38
1.4.1 數(shù)據(jù)挖掘 38
1.4.2 Hadoop開(kāi)源生態(tài)框架體系 39
1.5 溫故知新 40
1.6 習(xí)題 41
參考資源 43
第2章 工具基礎(chǔ) 44
2.1 編程基礎(chǔ) 44
2.1.1 編程理論 44
2.1.2 Python基礎(chǔ) 46
2.2 開(kāi)源框架基礎(chǔ) 53
2.2.1 Pytorch 54
2.2.2 TensorFlow框架 55
2.2.3 PaddlePaddle框架 56
2.2.4 其他框架 57
2.3 硬件基礎(chǔ) 59
2.3.1 CPU基礎(chǔ) 60
2.3.2 GPU基礎(chǔ) 62
2.3.3 樹(shù)莓派 62
2.4 操作系統(tǒng)基礎(chǔ) 63
2.4.1 Linux簡(jiǎn)介 63
2.4.2 國(guó)產(chǎn)Linux操作系統(tǒng) 65
2.5 溫故知新 66
2.6 習(xí)題 67
參考資源 68
第3章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 69
3.1 神經(jīng)網(wǎng)絡(luò)概述 69
3.2 神經(jīng)元模型與感知機(jī)模型 70
3.2.1 MP神經(jīng)元 70
3.2.2 感知機(jī) 72
3.3 多隱層前饋神經(jīng)網(wǎng)絡(luò) 73
3.3.1 網(wǎng)絡(luò)結(jié)構(gòu) 73
3.3.2 激活函數(shù) 75
3.3.3 網(wǎng)絡(luò)訓(xùn)練 77
3.4 神經(jīng)網(wǎng)絡(luò)的優(yōu)化方法 80
3.4.1 梯度下降法 80
3.4.2 隨機(jī)梯度下降 81
3.4.3 小批量梯度下降 81
3.4.4 動(dòng)量梯度下降 82
3.4.5 RMSProp 82
3.4.6 ADAM 83
3.5 神經(jīng)網(wǎng)絡(luò)的優(yōu)化策略 83
3.5.1 參數(shù)初始化 83
3.5.2 正則化 85
3.5.3 Dropout 86
3.5.4 數(shù)據(jù)增強(qiáng) 87
3.5.5 預(yù)訓(xùn)練 87
3.6 深度神經(jīng)網(wǎng)絡(luò)概述 87
3.6.1 深度學(xué)習(xí)的優(yōu)勢(shì) 89
3.6.2 適用領(lǐng)域 90
3.7 溫故知新 92
3.8 習(xí)題 92
參考資源 94
第二篇 方法解析篇
第4章 卷積神經(jīng)網(wǎng)絡(luò)方法解析 97
4.1 卷積神經(jīng)網(wǎng)絡(luò)概述 97
4.1.1 生物機(jī)理 98
4.1.2 拓?fù)浣Y(jié)構(gòu) 99
4.1.3 網(wǎng)絡(luò)特點(diǎn) 100
4.2 關(guān)鍵方法 102
4.2.1 卷積 103
4.2.2 池化 111
4.2.3 全連接 111
4.3 常見(jiàn)的卷積神經(jīng)網(wǎng)絡(luò) 112
4.3.1 LeNet 112
4.3.2 AlexNet 112
4.3.3 VGGNet 114
4.3.4 GoogLeNet 114
4.3.5 ResNet 115
4.3.6 DenseNet 116
4.4 改進(jìn)方向與應(yīng)用領(lǐng)域 116
4.4.1 改進(jìn)方向 116
4.4.2 應(yīng)用領(lǐng)域 117
4.5 溫故知新 118
4.6 習(xí)題 118
參考資源 119
第5章 生成式對(duì)抗網(wǎng)絡(luò)方法解析 120
5.1 生成模型概述 120
5.2 網(wǎng)絡(luò)模型 121
5.3 重要方法 122
5.3.1 數(shù)學(xué)原理 122
5.3.2 訓(xùn)練機(jī)制 125
5.3.3 訓(xùn)練技巧 125
5.3.4 評(píng)價(jià)指標(biāo) 127
5.4 GAN的改進(jìn)模型 129
5.4.1 CGAN 130
5.4.2 DCGAN 131
5.4.3 WGAN 132
5.4.4 LSGAN 133
5.4.5 PGGAN 134
5.4.6 ACGAN 136
5.4.7 BigGAN 137
5.5 改進(jìn)方向與應(yīng)用領(lǐng)域 139
5.5.1 改進(jìn)方向 139
5.5.2 應(yīng)用領(lǐng)域 140
5.5.3 研究進(jìn)展 143
5.6 溫故知新 144
5.7 習(xí)題 144
參考資源 145
第6章 循環(huán)神經(jīng)網(wǎng)絡(luò)方法解析 146
6.1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述 146
6.2 自然語(yǔ)言處理 148
6.2.1 語(yǔ)言模型 148
6.2.2 詞向量 149
6.3 循環(huán)神經(jīng)網(wǎng)絡(luò) 151
6.3.1 生物機(jī)理 151
6.3.2 網(wǎng)絡(luò)結(jié)構(gòu) 151
6.3.3 網(wǎng)絡(luò)訓(xùn)練 153
6.4 循環(huán)神經(jīng)網(wǎng)絡(luò)改進(jìn) 154
6.4.1 LSTM 154
6.4.2 其他改進(jìn)模型 156
6.5 研究進(jìn)展與應(yīng)用領(lǐng)域 158
6.5.1 研究進(jìn)展 158
6.5.2 應(yīng)用領(lǐng)域 159
6.6 溫故知新 161
6.7 習(xí)題 162
參考資源 163
第7章 深度強(qiáng)化學(xué)習(xí)方法解析 165
7.1 強(qiáng)化學(xué)習(xí)概述 165
7.2 強(qiáng)化學(xué)習(xí)基礎(chǔ) 166
7.2.1 定義及相關(guān)概念 166
7.2.2 馬爾可夫決策過(guò)程 169
7.3 經(jīng)典強(qiáng)化學(xué)習(xí) 170
7.3.1 強(qiáng)化學(xué)習(xí)分類(lèi) 170
7.3.2 Qlearning算法 172
7.3.3 存在挑戰(zhàn) 173
7.4 深度強(qiáng)化學(xué)習(xí) 174
7.4.1 DQN算法 174
7.4.2 深度強(qiáng)化學(xué)習(xí)的改進(jìn)算法 177
7.4.3 小結(jié) 179
7.5 重要應(yīng)用 180
7.6 研究進(jìn)展 181
7.7 溫故知新 182
7.8 習(xí)題 183
參考資源 184
第三篇 實(shí)戰(zhàn)應(yīng)用篇
第8章 基于卷積神經(jīng)網(wǎng)絡(luò)的2D人體姿態(tài)估計(jì)實(shí)戰(zhàn) 187
8.1 人體姿態(tài)估計(jì)概述 187
8.2 人體姿態(tài)估計(jì)技術(shù)回顧 188
8.2.1 單人姿態(tài)估計(jì) 189
8.2.2 多人姿態(tài)估計(jì) 191
8.3 編程實(shí)戰(zhàn) 192
8.3.1 實(shí)驗(yàn)環(huán)境 192
8.3.2 數(shù)據(jù)準(zhǔn)備 194
8.3.3 模型構(gòu)建 194
8.3.4 運(yùn)行測(cè)試 200
8.4 溫故知新 200
參考資源 201
第9章 利用深度強(qiáng)化學(xué)習(xí)玩游戲?qū)崙?zhàn) 202
9.1 實(shí)戰(zhàn)背景 202
9.1.1 深度強(qiáng)化學(xué)習(xí)在游戲領(lǐng)域的應(yīng)用 202
9.1.2 Gym介紹 203
9.2 深度強(qiáng)化學(xué)習(xí)技術(shù)回顧 204
9.3 編程實(shí)戰(zhàn) 206
9.3.1 基于Pytorch的游戲?qū)崙?zhàn) 207
9.3.2 基于策略梯度進(jìn)行TensorFlow實(shí)戰(zhàn) 211
9.4 溫故知新 215
參考資源 216
第10章 面向邊緣智能的人群數(shù)量計(jì)算實(shí)戰(zhàn) 217
10.1 實(shí)戰(zhàn)背景 217
10.1.1 人群數(shù)量計(jì)算 217
10.1.2 邊緣智能 219
10.2 目標(biāo)檢測(cè)技術(shù)回顧 220
10.2.1 目標(biāo)檢測(cè) 220
10.2.2 人臉檢測(cè) 222
10.2.3 面向邊緣智能的人群數(shù)量計(jì)算系統(tǒng)整體流程設(shè)計(jì) 223
10.3 編程實(shí)戰(zhàn) 225
10.3.1 基于YOLO V3的目標(biāo)檢測(cè) 225
10.3.2 基于CenterFace的人臉檢測(cè) 229
10.4 溫故知新 232
參考資源 233
第11章 邊緣計(jì)算場(chǎng)景下智能垃圾分類(lèi)實(shí)戰(zhàn) 234
11.1 實(shí)戰(zhàn)背景 234
11.1.1 垃圾分類(lèi) 234
11.1.2 邊緣計(jì)算發(fā)展 235
11.2 相關(guān)技術(shù)梳理 237
11.2.1 智能語(yǔ)音識(shí)別 237
11.2.2 垃圾圖像分類(lèi) 238
11.2.3 基于邊緣計(jì)算的智能垃圾分類(lèi)系統(tǒng)整體流程 240
11.3 編程實(shí)戰(zhàn) 242
11.3.1 智能語(yǔ)音識(shí)別 242
11.3.2 垃圾圖像分類(lèi) 245
11.4 溫故知新 247
參考資源 249
第12章 基于生成式對(duì)抗網(wǎng)絡(luò)的圖像“魔術(shù)” 250
12.1 實(shí)戰(zhàn)背景 250
12.1.1 GAN在圖像翻譯中的應(yīng)用 250
12.1.2 GAN在圖像生成中的應(yīng)用 251
12.2 生成式對(duì)抗網(wǎng)絡(luò)技術(shù)回顧 253
12.3 編程實(shí)戰(zhàn) 256
12.3.1 基于TensorFlow的CycleGAN 257
12.3.2 基于Pytorch的DCGAN 267
12.4 溫故知新 272
參考資源 273
附錄1 Linux指令 274
附錄2 BP算法推導(dǎo) 278
參考文獻(xiàn) 282
展開(kāi)全部
書(shū)友推薦
- >
有舍有得是人生
- >
推拿
- >
小考拉的故事-套裝共3冊(cè)
- >
巴金－再思錄
- >
史學(xué)評(píng)論
- >
我與地壇
- >
自卑與超越
- >
苦雨齋序跋文-周作人自編集
本類(lèi)暢銷(xiāo)
