永久免费aⅤ无码网站免费,欧美在线播放一区

本書是對深度學(xué)習(xí)感興趣的讀者的入門圖書，主要介紹深度學(xué)習(xí)算法和Python應(yīng)用實踐兩部分。在深度學(xué)習(xí)算法部分，將從邏輯回歸、淺層神經(jīng)網(wǎng)絡(luò)、深層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、深度卷積網(wǎng)絡(luò)、目標(biāo)檢測算法、循環(huán)序列模型等方面介紹深度學(xué)習(xí)的核心算法。在Python應(yīng)用實踐部分，將主要介紹Python基礎(chǔ)語法，numpy基本用法，以及Python實現(xiàn)深度學(xué)習(xí)算法三部分。本書理論和實踐結(jié)合，不僅讓讀者了解算法理論，更讓讀者學(xué)會如何利用計算機編程語言解決實際問題。本書適合作為高等院校人工智能及相關(guān)專業(yè)的教材，也可作為從事人工智能領(lǐng)域的專業(yè)研究人員和工程技術(shù)人員的參考書。

近年來，深度學(xué)習(xí)已成為人工智能領(lǐng)域的研究熱點之一。從人臉識別系統(tǒng)到無人自動駕駛汽車，從醫(yī)療影像診斷到語音識別，從自動機器翻譯到網(wǎng)頁內(nèi)容智能推薦，都離不開深度學(xué)習(xí)的貢獻。隨著深度學(xué)習(xí)技術(shù)的飛速發(fā)展及其應(yīng)用領(lǐng)域的不斷拓展，越來越多的專家、學(xué)者開始關(guān)注深度學(xué)習(xí)的未來發(fā)展方向，并且投入深度學(xué)習(xí)的發(fā)展研究中，逐漸形成了特有的理論研究和學(xué)術(shù)發(fā)展方向。
深度學(xué)習(xí)技術(shù)的研究與應(yīng)用，是我國深入開展人工智能領(lǐng)域研究、發(fā)展智能產(chǎn)業(yè)和智慧經(jīng)濟、實現(xiàn)智能制造、建設(shè)智能化社會的重要保證。本書旨在為對深度學(xué)習(xí)感興趣并從事相關(guān)研究的本科生、研究生、工程師和研究人員提供必備的基礎(chǔ)知識和Python實現(xiàn)方法。在內(nèi)容編排方面，注重理論和實踐的結(jié)合、基礎(chǔ)知識和前沿技術(shù)的結(jié)合，并附有相關(guān)的應(yīng)用及實戰(zhàn)案例。希望讀者通過閱讀和學(xué)習(xí)本書，感受到從事深度學(xué)習(xí)相關(guān)研究的樂趣。
本書共分為8章。第1章主要講解深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)及其發(fā)展歷史，以及常用的深度學(xué)習(xí)框架及其編程環(huán)境的安裝方法。第2章主要介紹機器學(xué)習(xí)相關(guān)的基礎(chǔ)知識，包括機器學(xué)習(xí)算法的類型以及評價指標(biāo)等。第3章講述前饋神經(jīng)網(wǎng)絡(luò)模型、反向傳播算法，以及自動梯度計算。第4章講述卷積神經(jīng)網(wǎng)絡(luò)及其相關(guān)基礎(chǔ)概念，包括圖像卷積、填充和步幅、池化層等。第5章介紹一些現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò)模型，有AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet等。第6章闡述可以處理序列信息的循環(huán)神經(jīng)網(wǎng)絡(luò)模型及其實現(xiàn)。第7章闡明神經(jīng)網(wǎng)絡(luò)優(yōu)化和正則化的方法，包括數(shù)據(jù)預(yù)處理、超參數(shù)優(yōu)化、網(wǎng)絡(luò)正則化等。第8章列舉3個基于Python的實戰(zhàn)演練案例，包括MNIST手寫數(shù)字分類的實現(xiàn)、車輛識別和人臉識別。
讀者可以掃描插圖右側(cè)的二維碼觀看彩色插圖。
本書第1章由郭彤穎、薛亞棟編寫，第2章由薛亞棟、劉冬莉編寫，第3章由薛亞棟、王海忱編寫，第4章由薛亞棟、張輝編寫，第5~7章由郭彤穎、薛亞棟編寫，第8章由薛亞棟、李娜編寫。
由于深度學(xué)習(xí)技術(shù)一直處于不斷發(fā)展之中，再加上時間倉促、編者水平有限，難以全面、完整地對當(dāng)前的研究前沿和熱點問題一一進行探討。書中難免存在不足和疏漏之處，敬請讀者給予批評指正。

作者
2021年12月

Python語言簡介

第 1章緒論 1
1.1 深度學(xué)習(xí)簡介 2
1.2 神經(jīng)網(wǎng)絡(luò) 3
1.2.1 人腦神經(jīng)網(wǎng)絡(luò) 3
1.2.2 人工神經(jīng)網(wǎng)絡(luò) 4
1.3 神經(jīng)網(wǎng)絡(luò)的發(fā)展歷史 5
1.4 常用的深度學(xué)習(xí)框架 6
1.5 編程環(huán)境的安裝 8
1.5.1 安裝 Anaconda 8
1.5.2 安裝CUDA 9
1.5.3 安裝TensorFlow 14
1.5.4 安裝常用編輯器 17
第2章機器學(xué)習(xí)基礎(chǔ) 18
2.1 基本概念 19
2.2 機器學(xué)習(xí)的三個基本要素 20
2.2.1 模型 20
2.2.2 學(xué)習(xí)準(zhǔn)則 21
2.2.3 優(yōu)化算法 24
2.3 機器學(xué)習(xí)的簡單示例線性回歸 27
2.4 偏差-方差分解 31
2.5 機器學(xué)習(xí)算法的類型 34
2.6 評價指標(biāo) 35
2.7 線性模型 37
2.7.1 線性判別函數(shù)和決策邊界 38
2.7.2 Logistic 回歸 41
2.7.3 Softmax 回歸 43
2.7.4 感知器 45
第3章前饋神經(jīng)網(wǎng)絡(luò) 51
3.1 神經(jīng)元 51
3.1.1 Sigmoid 型函數(shù) 52
3.1.2 ReLU 函數(shù) 55
3.1.3 Swish 函數(shù) 57
3.1.4 GELU 函數(shù) 57
3.1.5 Maxout 單元 58
3.2 網(wǎng)絡(luò)結(jié)構(gòu) 58
3.2.1 前饋網(wǎng)絡(luò) 58
3.2.2 記憶網(wǎng)絡(luò) 58
3.2.3 圖網(wǎng)絡(luò) 59
3.3 前饋神經(jīng)網(wǎng)絡(luò) 59
3.3.1 通用近似定理 61
3.3.2 應(yīng)用到機器學(xué)習(xí) 61
3.3.3 參數(shù)學(xué)習(xí) 62
3.4 反向傳播算法 63
3.5 自動梯度計算 66
3.5.1 數(shù)值微分 66
3.5.2 符號微分 67
3.5.3 自動微分 67
3.6 優(yōu)化問題 70
3.6.1 非凸優(yōu)化問題 71
3.6.2 梯度消失問題 71
第4章卷積神經(jīng)網(wǎng)絡(luò) 73
4.1 從全連接層到卷積 73
4.1.1 不變性 74
4.1.2 限制多層感知機 75
4.1.3 卷積 76
4.1.4 回顧沃爾多在哪里 76
4.2 圖像卷積 77
4.2.1 互相關(guān)運算 77
4.2.2 卷積層 79
4.2.3 圖像中目標(biāo)的邊緣檢測 79
4.2.4 學(xué)習(xí)卷積核 81
4.2.5 互相關(guān)運算和卷積運算 82
4.2.6 特征映射和感受野 82
4.3 填充和步幅 82
4.3.1 填充 83
4.3.2 步幅 84
4.4 多輸入多輸出通道 85
4.4.1 多輸入通道 86
4.4.2 多輸出通道 87
4.4.3 11 卷積層 88
4.5 池化層 89
4.5.1 最大池化層和平均池化層 89
4.5.2 填充和步幅 91
4.5.3 多個通道 92
4.6 卷積神經(jīng)網(wǎng)絡(luò) 93
4.6.1 LeNet 93
4.6.2 訓(xùn)練 LeNet 95
第5章現(xiàn)代卷積神經(jīng)網(wǎng)絡(luò) 98
5.1 深度卷積神經(jīng)網(wǎng)絡(luò) 98
5.1.1 學(xué)習(xí)表征 99
5.1.2 AlexNet 101
5.1.3 讀取數(shù)據(jù)集 104
5.1.4 訓(xùn)練AlexNet 104
5.2 使用塊的網(wǎng)絡(luò) 105
5.2.1 VGG 塊 105
5.2.2 VGG 網(wǎng)絡(luò) 106
5.2.3 訓(xùn)練VGG 108
5.3 網(wǎng)絡(luò)中的網(wǎng)絡(luò) 108
5.3.1 NiN 塊 109
5.3.2 NiN 模型 110
5.3.3 訓(xùn)練NiN 111
5.4 含并行連結(jié)的網(wǎng)絡(luò) 111
5.4.1 Inception塊 112
5.4.2 GoogLeNet 模型 113
5.4.3 訓(xùn)練GoogLeNet 116
5.5 歸一化算法 116
5.5.1 訓(xùn)練深層網(wǎng)絡(luò) 116
5.5.2 批量歸一化層 118
5.5.3 從零實現(xiàn)批量歸一化層 118
5.5.4 使用批量歸一化層的 LeNet 120
5.5.5 簡明實現(xiàn) 122
5.5.6 爭議 123
5.6 殘差網(wǎng)絡(luò) 123
5.6.1 函數(shù)類 124
5.6.2 殘差塊 124
5.6.3 ResNet模型 127
5.6.4 訓(xùn)練 ResNet 129
5.7 稠密連接網(wǎng)絡(luò) 130
5.7.1 從ResNet到DenseNet 130
5.7.2 稠密塊體 131
5.7.3 過渡層 132
5.7.4 DenseNet模型 133
5.7.5 訓(xùn)練DenseNet 134
第6章循環(huán)神經(jīng)網(wǎng)絡(luò) 135
6.1 序列模型 135
6.1.1 統(tǒng)計工具 136
6.1.2 序列模型的訓(xùn)練 138
6.1.3 序列模型的預(yù)測 140
6.2 文本預(yù)處理 143
6.2.1 讀取數(shù)據(jù)集 143
6.2.2 標(biāo)記化 144
6.2.3 詞匯 145
6.2.4 把所有的東西放在一起 146
6.3 語言模型和數(shù)據(jù)集 147
6.3.1 學(xué)習(xí)語言模型 148
6.3.2 馬爾可夫模型與 n 元語法 149
6.3.3 自然語言統(tǒng)計 149
6.3.4 讀取長序列數(shù)據(jù) 152
6.4 循環(huán)神經(jīng)網(wǎng)絡(luò) 156
6.4.1 無隱藏狀態(tài)的神經(jīng)網(wǎng)絡(luò) 156
6.4.2 具有隱藏狀態(tài)的循環(huán)神經(jīng)網(wǎng)絡(luò) 157
6.4.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的字符級語言模型 158
6.4.4 困惑度 159
6.5 循環(huán)神經(jīng)網(wǎng)絡(luò)的從零開始實現(xiàn) 160
6.5.1 獨熱編碼 161
6.5.2 初始化模型參數(shù) 161
6.5.3 循環(huán)神經(jīng)網(wǎng)絡(luò)模型 162
6.5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)模型的預(yù)測 163
6.5.5 梯度裁剪 164
6.5.6 循環(huán)神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練 165
6.6 循環(huán)神經(jīng)網(wǎng)絡(luò)的簡潔實現(xiàn) 168
6.6.1 定義模型 168
6.6.2 訓(xùn)練與預(yù)測 169
6.7 通過時間反向傳播 170
6.7.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度分析 171
6.7.2 通過時間反向傳播細(xì)節(jié) 173
第7章網(wǎng)絡(luò)優(yōu)化與正則化 176
7.1 網(wǎng)絡(luò)優(yōu)化 176
7.2 優(yōu)化算法 178
7.2.1 小批量梯度下降 178
7.2.2 學(xué)習(xí)率衰減 179
7.2.3 梯度方向優(yōu)化 181
7.2.4 優(yōu)化算法小結(jié) 184
7.3 參數(shù)初始化 185
7.4 數(shù)據(jù)預(yù)處理 186
7.5 逐層歸一化 188
7.5.1 批量歸一化 189
7.5.2 層歸一化 190
7.5.3 其他歸一化方法 191
7.6 超參數(shù)優(yōu)化 192
7.6.1 網(wǎng)格搜索 192
7.6.2 隨機搜索 193
7.6.3 貝葉斯優(yōu)化 193
7.6.4 動態(tài)資源分配 194
7.7 網(wǎng)絡(luò)正則化 195
7.7.1 和正則化 195
7.7.2 權(quán)重衰減 196
7.7.3 提前停止 197
7.7.4 丟棄法 197
7.7.5 數(shù)據(jù)增強 199
7.7.6 標(biāo)簽平滑 199
7.8 總結(jié) 200
第8章實戰(zhàn)演練 201
8.1 TensorFlow的MNIST手寫數(shù)字分類的實現(xiàn) 201
8.1.1 數(shù)據(jù)預(yù)處理 201
8.1.2 構(gòu)建及訓(xùn)練模型 202
8.1.3 評估準(zhǔn)確率 207
8.1.4 模型的應(yīng)用與可視化 208
8.2 車輛識別 209
8.2.1 要解決的問題 210
8.2.2 YOLO 210
8.2.3 測試已經(jīng)訓(xùn)練好的YOLO模型 220
8.3 人臉識別 223
8.3.1 簡單的人臉驗證 225
8.3.2 將人臉圖像編碼為128位的向量 225
8.3.3 加載訓(xùn)練好的模型 229
8.3.4 模型的應(yīng)用 230

你還可能感興趣

我要評論