中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習入門與實踐 版權信息
- ISBN：9787111725770
- 條形碼：9787111725770 ; 978-7-111-72577-0
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習入門與實踐 本書特色
適讀人群 ：高等院校人工智能等專業學生本教材的作者是海外引進人才，既有國外學習工作的背景，也有在國內院校教學的經驗，本書正是將二者有機結合起來，編寫而成的深度學習的入門級教材。通過本書的學習，可以打下扎實基礎，為后續了解人工智能前沿做知識儲備。
深度學習入門與實踐 內容簡介
大約在一百年前，電氣化改變了交通運輸行業、制造業、醫療行業、通信行業，如今AI帶來了同樣巨大的改變。AI的各個分支中發展*為迅速的方向之一就是深度學習。本書主要涉及以下內容：第1部分是神經網絡的基礎，學習如何建立神經網絡，以及如何在數據上面訓練它們。第2部分進行深度學習方面的實踐，學習如何構建神經網絡與超參數調試、正則化以及一些高級優化算法。第3部分學習卷積神經網絡(CNN)，以及如何搭建模型、有哪些經典模型。它經常被用于圖像領域，此外目標檢測、風格遷移等應用也將涉及。*后在第4部分學習序列模型，以及如何將它們應用于自然語言處理等任務。序列模型講到的算法有循環神經網絡（RNN）、長短期記憶網絡（LSTM）、注意力機制。通過以上內容的學習，讀者可以入門深度學習領域并打下扎實基礎，為后續了解和探索人工智能前沿科技做知識儲備。本書配有電子課件，需要配套資源的教師可登錄機械工業出版社教育服務網www.cmpedu.com免費注冊后下載。
深度學習入門與實踐 目錄
目 錄
前言
第1部分神經網絡和深度學習
第1章深度學習簡介
1.1神經網絡
1.2神經網絡的監督學習應用
1.3為什么深度學習會興起
第2章神經網絡的編程基礎
2.1二分類
2.2邏輯回歸
2.3邏輯回歸的代價函數
2.4梯度下降法
2.5計算圖
2.6使用計算圖求導數
2.7邏輯回歸中的梯度下降
2.8m個樣本的梯度下降
2.9向量化
2.10向量化邏輯回歸
2.11向量化邏輯回歸的輸出
2.12Python中的廣播
2.13numpy向量
2.14logistic損失函數的解釋
第3章淺層神經網絡
3.1神經網絡概述
3.2神經網絡的表示
3.3計算一個神經網絡的輸出
3.4多樣本向量化
3.5激活函數
3.6激活函數的導數
3.7神經網絡的梯度下降
3.8理解反向傳播
3.9隨機初始化
第4章深層神經網絡
4.1深層神經網絡概述
4.2前向傳播和反向傳播
4.3深層網絡中矩陣的維數
4.4為什么使用深層表示
4.5超參數
第2部分改善深層神經網絡：超參數調試、正則化以及優化
第5章深度學習的實踐
5.1訓練、驗證、測試集
5.2偏差、方差
5.3機器學習基礎
5.4正則化
5.5正則化如何降低過擬合
5.6dropout正則化
5.7理解dropout
5.8其他正則化方法
5.9歸一化輸入
5.10梯度消失/梯度爆炸
5.11梯度的數值逼近
5.12梯度檢驗
第6章優化算法
6.1mini-batch梯度下降
6.2理解mini-batch梯度下降法
6.3動量梯度下降法
6.4RMSprop
6.5Adam 優化算法
6.6學習率衰減
6.7局部*優問題
第7章超參數調試、正則化
7.1調試處理
7.2超參數的合適范圍
7.3歸一化網絡的激活函數
7.4將batch norm擬合進神經網絡
7.5batch歸一化分析
7.6softmax回歸
7.7訓練一個softmax分類器
7.8TensorFlow
第3部分卷積神經網絡及應用
第8章卷積神經網絡
8.1計算機視覺
8.2邊緣檢測示例
8.3邊緣檢測內容
8.4填充
8.5卷積步長
8.6三維卷積
8.7單層卷積網絡
8.8簡單卷積網絡示例
8.9池化層
8.10卷積神經網絡示例
8.11為什么使用卷積
第9章深度卷積網絡：實例探究
9.1經典網絡
9.2殘差網絡
9.3殘差網絡為什么有用
9.4網絡中的1×1卷積
9.5谷歌Inception網絡
9.6遷移學習
9.7數據增強
第10章目標檢測
10.1目標定位
10.2特征點檢測
10.3目標檢測
10.4滑動窗口的卷積實現
10.5Bounding Box預測
10.6交并比
10.7非極大值抑制
10.8Anchor Boxes
10.9YOLO算法
第11章特殊應用：人臉識別和神經風格遷移
11.1One-Shot學習
11.2Siamese網絡
11.3Triplet損失
11.4人臉驗證與二分類
11.5神經風格遷移
11.6深度卷積網絡學習什么
11.7代價函數
11.8內容代價函數
11.9風格代價函數
11.10一維到三維推廣
第4部分序列模型
第12章循環序列模型
12.1為什么選擇序列模型
12.2數學符號
12.3循環神經網絡模型
12.4通過時間的反向傳播
12.5不同類型的循環神經網絡
12.6語言模型和序列生成
12.7對新序列采樣
12.8循環神經網絡的梯度消失
12.9GRU單元
12.10長短期記憶
12.11雙向循環神經網絡
12.12深層循環神經網絡
第13章序列模型和注意力機制
13.1序列結構的各種序列
13.2選擇*可能的句子
13.3集束搜索
13.4改進集束搜索
13.5集束搜索的誤差分析
13.6注意力模型直觀理解
13.7注意力模型
附錄
附錄A深度學習符號指南
A.1數據標記與上下標
A.2神經網絡模型
A.3正向傳播方程示例
A.4通用激活公式
A.5損失函數
A.6深度學習圖示
附錄B線性代數
B.1基礎概念和符號
B.2矩陣乘法〖＝（〗
前言
第1部分神經網絡和深度學習
第1章深度學習簡介
1.1神經網絡
1.2神經網絡的監督學習應用
1.3為什么深度學習會興起
第2章神經網絡的編程基礎
2.1二分類
2.2邏輯回歸
2.3邏輯回歸的代價函數
2.4梯度下降法
2.5計算圖
2.6使用計算圖求導數
2.7邏輯回歸中的梯度下降
2.8m個樣本的梯度下降
2.9向量化
2.10向量化邏輯回歸
2.11向量化邏輯回歸的輸出
2.12Python中的廣播
2.13numpy向量
2.14logistic損失函數的解釋
第3章淺層神經網絡
3.1神經網絡概述
3.2神經網絡的表示
3.3計算一個神經網絡的輸出
3.4多樣本向量化
3.5激活函數
3.6激活函數的導數
3.7神經網絡的梯度下降
3.8理解反向傳播
3.9隨機初始化
第4章深層神經網絡
4.1深層神經網絡概述
4.2前向傳播和反向傳播
4.3深層網絡中矩陣的維數
4.4為什么使用深層表示
4.5超參數
第2部分改善深層神經網絡：超參數調試、正則化以及優化
第5章深度學習的實踐
5.1訓練、驗證、測試集
5.2偏差、方差
5.3機器學習基礎
5.4正則化
5.5正則化如何降低過擬合
5.6dropout正則化
5.7理解dropout
5.8其他正則化方法
5.9歸一化輸入
5.10梯度消失/梯度爆炸
5.11梯度的數值逼近
5.12梯度檢驗
第6章優化算法
6.1mini-batch梯度下降
6.2理解mini-batch梯度下降法
6.3動量梯度下降法
6.4RMSprop
6.5Adam 優化算法
6.6學習率衰減
6.7局部*優問題
第7章超參數調試、正則化
7.1調試處理
7.2超參數的合適范圍
7.3歸一化網絡的激活函數
7.4將batch norm擬合進神經網絡
7.5batch歸一化分析
7.6softmax回歸
7.7訓練一個softmax分類器
7.8TensorFlow
第3部分卷積神經網絡及應用
第8章卷積神經網絡
8.1計算機視覺
8.2邊緣檢測示例
8.3邊緣檢測內容
8.4填充
8.5卷積步長
8.6三維卷積
8.7單層卷積網絡
8.8簡單卷積網絡示例
8.9池化層
8.10卷積神經網絡示例
8.11為什么使用卷積
第9章深度卷積網絡：實例探究
9.1經典網絡
9.2殘差網絡
9.3殘差網絡為什么有用
9.4網絡中的1×1卷積
9.5谷歌Inception網絡
9.6遷移學習
9.7數據增強
第10章目標檢測
10.1目標定位
10.2特征點檢測
10.3目標檢測
10.4滑動窗口的卷積實現
10.5Bounding Box預測
10.6交并比
10.7非極大值抑制
10.8Anchor Boxes
10.9YOLO算法
第11章特殊應用：人臉識別和神經風格遷移
11.1One-Shot學習
11.2Siamese網絡
11.3Triplet損失
11.4人臉驗證與二分類
11.5神經風格遷移
11.6深度卷積網絡學習什么
11.7代價函數
11.8內容代價函數
11.9風格代價函數
11.10一維到三維推廣
第4部分序列模型
第12章循環序列模型
12.1為什么選擇序列模型
12.2數學符號
12.3循環神經網絡模型
12.4通過時間的反向傳播
12.5不同類型的循環神經網絡
12.6語言模型和序列生成
12.7對新序列采樣
12.8循環神經網絡的梯度消失
12.9GRU單元
12.10長短期記憶
12.11雙向循環神經網絡
12.12深層循環神經網絡
第13章序列模型和注意力機制
13.1序列結構的各種序列
13.2選擇*可能的句子
13.3集束搜索
13.4改進集束搜索
13.5集束搜索的誤差分析
13.6注意力模型直觀理解
13.7注意力模型
附錄
附錄A深度學習符號指南
A.1數據標記與上下標
A.2神經網絡模型
A.3正向傳播方程示例
A.4通用激活公式
A.5損失函數
A.6深度學習圖示
附錄B線性代數
B.1基礎概念和符號
B.2矩陣乘法〖＝（〗
展開全部
書友推薦
- >
上帝之肋:男人的真實旅程
- >
我與地壇
- >
李白與唐代文化
- >
煙與鏡
- >
名家帶你讀魯迅:故事新編
- >
人文閱讀與收藏·良友文學叢書:一天的工作
- >
自卑與超越
- >
巴金－再思錄
本類暢銷
