掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
闖進數學世界――探秘歷史名題
-
>
中醫基礎理論
-
>
當代中國政府與政治(新編21世紀公共管理系列教材)
-
>
高校軍事課教程
-
>
思想道德與法治(2021年版)
-
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)
-
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材
深度學習模型與算法基礎 版權信息
- ISBN：9787302651079
- 條形碼：9787302651079 ; 978-7-302-65107-9
- 裝幀：平裝-膠訂
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
深度學習模型與算法基礎 本書特色
深度學習技術作為人工智能領域的一門新興技術，已成為人工智能科研領域、企業應用領域中常用的一門技術。本教材采用由淺入深的方式，對深度學習相關理論進行講解，滿足教學過程中的需要。
深度學習模型與算法基礎 內容簡介
深度學習技術作為人工智能領域的一門新興技術，已成為人工智能科研領域、企業應用領域中常用的一門技術。本教材由神經網絡基本訓練規則、感知器、BP網絡作為基礎，講述神經網絡基礎訓練方法。并通過自編碼器網絡，將淺層網絡過度到深度神經網絡部分，詳細講解卷積神經網絡原理及訓練方法、卷積神經網絡的發展以及基于卷積神經網絡的目標檢測算法等。而后，對序列信息處理神經網絡—循環神經網絡進行講解。本教程采用由淺入深的方式，對深度學習相關理論進行講解，滿足教學過程中的需要。
深度學習模型與算法基礎 目錄
第1章緒論
1．1人工神經網絡發展史
1．1．1人工神經網絡的提出
1．1．2人工神經網絡的隕落
1．1．3人工神經網絡的興起
1．1．4深度學習的提出
1．2人工神經網絡學習機理
1．2．1生物學機理
1．2．2淺層學習
1．2．3深度學習
1．2．4特征學習
第2章神經網絡基礎
2．1概述
2．2感知器
2．2．1感知器學習規則
2．2．2感知器原理
2．3線性單元
2．4δ學習規則
2．5BP神經網絡結構
2．5．1BP神經網絡原理
2．5．2BP神經元偏移量
2．5．3BP神經網絡非線性表達能力
2．6反向傳播算法
2．6．1誤差項推導
2．6．2誤差反向傳播算法流程
2．6．3誤差反向傳播算法計算示例
2．7梯度檢查
2．8超參數的確定
2．9模型訓練與評估
2．10向量化編程
第3章自編碼器
3．1自編碼器原理
3．2不同種類的自編碼器
3．2．1正則自編碼器
3．2．2稀疏自編碼器
3．2．3去噪自編碼器
3．3堆疊自編碼器
3．4預訓練與深度學習
3．5Softmax與交叉熵函數融合
3．6深度神經網絡權值初始化方法
3．6．1Xavier初始化方法
3．6．2Kaiming初始化方法
3．6．3LeCun初始化方法
第4章卷積神經網絡
4．1全連接神經網絡局限性
4．2卷積神經網絡原理
4．3卷積神經網絡前向計算
4．3．1新的激活函數
4．3．2卷積層
4．3．3池化層
4．3．4全連接層
4．4卷積網絡計算實例
4．5卷積神經網絡訓練
4．5．1池化層誤差傳遞
4．5．2卷積層誤差傳遞
4．5．3卷積層參數訓練
4．5．4卷積神經網絡訓練流程
4．5．5卷積神經網絡訓練計算實例
4．6深度神經網絡計算模式
4．6．1卷積計算加速
4．6．2自動微分方法
第5章卷積神經網絡結構演化
5．1典型的卷積神經網絡
5．1．1卷積網絡加深
5．1．2卷積網絡拓寬
5．1．3殘差網絡
5．2輕量化網絡
5．3卷積操作模式設計
5．4全卷積網絡
第6章深度殘差網絡
6．1概述
6．2殘差網絡結構
6．3殘差網絡討論
6．4Highway Network
6．5殘差網絡變體
6．5．1Wide Residual Network
6．5．2ResNeXt
6．5．3DenseNet
6．5．4DPN
第7章目標檢測算法
7．1傳統目標檢測方法
7．2基于深度學習的目標檢測方法
7．2．1目標檢測常用技術
7．2．2RCNN
7．2．3SPPNet
7．2．4Fast RCNN
7．2．5Faster RCNN
7．2．6YOLO
7．2．7SSD
7．3目標檢測算法的改進
第8章循環神經網絡
8．1循環神經網絡概述
8．1．1循環神經網絡原理
8．1．2雙向循環神經網絡
8．1．3深度循環神經網絡
8．1．4典型循環神經網絡結構
8．2循環神經網絡訓練算法
8．2．1BPTT訓練算法
8．2．2實時循環學習算法
8．2．3梯度爆炸與消失問題
8．3RNN應用
第9章長短時記憶網絡 9．1LSTM原理 9．2LSTM前向計算 9．3LSTM網絡訓練 9．3．1網絡訓練算法 9．3．2誤差項沿時間傳遞 9．3．3誤差項沿網絡層次傳遞 9．4GRU 9．4．1GRU前向計算 9．4．2GRU訓練算法 第10章Transformer 10．1神經網絡注意力機制 10．1．1神經網絡注意力機制原理 10．1．2自注意力機制 10．2Transformer模型 10．2．1編碼器模塊 10．2．2解碼器模塊 10．3神經網絡語言模型 10．3．1GPT模型 10．3．2BERT模型 10．3．3GLM模型 第11章生成式模型 11．1概述 11．2生成對抗網絡 11．2．1生成模型 11．2．2判別模型 11．2．3目標函數 11．2．4典型生成對抗網絡 11．3變分自編碼器 11．3．1模型推導 11．3．2討論 11．3．3VAE實現 11．4自回歸模型 11．5擴散模型 第12章深度學習框架 12．1計算圖 12．2典型深度學習框架 12．2．1國外深度學習框架 12．2．2國內深度學習框架 參考文獻
第9章長短時記憶網絡 9．1LSTM原理 9．2LSTM前向計算 9．3LSTM網絡訓練 9．3．1網絡訓練算法 9．3．2誤差項沿時間傳遞 9．3．3誤差項沿網絡層次傳遞 9．4GRU 9．4．1GRU前向計算 9．4．2GRU訓練算法 第10章Transformer 10．1神經網絡注意力機制 10．1．1神經網絡注意力機制原理 10．1．2自注意力機制 10．2Transformer模型 10．2．1編碼器模塊 10．2．2解碼器模塊 10．3神經網絡語言模型 10．3．1GPT模型 10．3．2BERT模型 10．3．3GLM模型 第11章生成式模型 11．1概述 11．2生成對抗網絡 11．2．1生成模型 11．2．2判別模型 11．2．3目標函數 11．2．4典型生成對抗網絡 11．3變分自編碼器 11．3．1模型推導 11．3．2討論 11．3．3VAE實現 11．4自回歸模型 11．5擴散模型 第12章深度學習框架 12．1計算圖 12．2典型深度學習框架 12．2．1國外深度學習框架 12．2．2國內深度學習框架 參考文獻
展開全部
深度學習模型與算法基礎 作者簡介
許慶陽山東大學副教授、博士、博士生導師，主要從事智能機器人、人工智能、深度學習、智能優化算法等方面的教學與科研工作。參與科技部科技創新2030—“新一代人工智能”重大項目，承擔國家自然科學基金1項、山東省重點研發計劃1項，完成了山東省自然科學基金1項。在國內外學術期刊發表學術論文25余篇，其中SCI已收錄17篇，申請發明專利5項。
書友推薦
- >
小考拉的故事-套裝共3冊
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
龍榆生：詞曲概論/大家小書
- >
煙與鏡
- >
伊索寓言-世界文學名著典藏-全譯本
- >
【精裝繪本】畫給孩子的中國神話
- >
自卑與超越
- >
隨園食單
本類暢銷
