神經網絡與深度學習
陳誌剛,闕正湘
- 出版商: 電子工業
- 出版日期: 2026-01-01
- 售價: $294
- 語言: 簡體中文
- 頁數: 204
- ISBN: 7121521385
- ISBN-13: 9787121521386
-
相關分類:
DeepLearning
下單後立即進貨 (約4週~6週)
相關主題
商品描述
深度學習解決了人工智能領域表示學習中的核心問題，作為機器學習的一種，深度學習能夠搭建大規模數據集及在實際復雜環境下運行的AI系統。本書是深度學習領域的入門教材，書中系統、詳細地講述了深度學習的主要方法與理論，同時註意結合企業實踐與應用。全書包括深度學習的發展與典型應用、卷積神經網絡、循環神經網絡、生成對抗網絡、TensorFlow和PyIorch框架、自然語言處理、圖像語義分割等內容,從案例代碼著手，使讀者在具體案例的學習中掌握神經網絡和深度學習的各種算法。本書提供電子課件和源代碼，讀者登錄華信教育資源網可免費下載。
目錄大綱
目 錄
第1章 緒論 1
1.1 引言 1
1.2 深度學習的發展與典型應用 3
1.2.1 機器視覺 3
1.2.2 深度學習的其他應用 3
第2章 CNN 6
2.1 卷積運算 6
2.2 池化 8
2.3 網絡結構 9
2.3.1 卷積層 9
2.3.2 池化層 13
2.3.3 全連接層 14
2.4 訓練算法 14
2.4.1 卷積層 14
2.4.2 池化層 18
2.4.3 隨機梯度下降法 19
2.4.4 遷移學習 20
2.5 典型網絡 20
2.5.1 LeNet-5網絡 20
2.5.2 AlexNet網絡 21
2.5.3 VGG網絡 22
2.5.4 GoogLeNet網絡 23
2.6 CNN應用——計算機視覺 24
2.6.1 人臉檢測 24
2.6.2 通用目標檢測 27
2.6.3 人臉關鍵定位點 36
2.6.4 人臉識別 37
2.6.5 圖像分割 39
2.6.6 邊緣檢測 41
2.7 CNN應用——計算機圖形學 44
2.7.1 幾何模型 44
2.7.2 物理模型 45
2.7.3 圖像彩色化 46
2.8 自然語言處理 48
2.8.1 文本分類 52
2.8.2 機器翻譯 53
2.9 CNN的歷史與發展 53
本章參考文獻 55
第3章 循環神經網絡 56
3.1 網絡結構 57
3.1.1 循環層 58
3.1.2 輸出層 59
3.1.3 簡單案例 59
3.1.4 深度網絡 60
3.2 網絡的訓練 60
3.2.1 簡單案例 61
3.2.2 完整算法說明 63
3.3 序列預測問題 65
3.3.1 序列標註問題 65
3.3.2 連接主義時序分類 66
3.3.3 序列到序列學習 71
3.4 循環神經網絡應用——語音識別 72
3.4.1 語音識別問題 73
3.4.2 隱馬爾可夫模型 74
3.4.3 高斯混合模型 80
3.4.4 GMM-HMM框架 81
3.4.5 深度學習模型 82
3.5 循環神經網絡應用——自然語言處理 86
3.5.1 中文分詞 86
3.5.2 詞性標註 87
3.5.3 命名實體識別 87
3.5.4 文本分類 89
3.5.5 自動摘要 90
3.5.6 機器翻譯 91
3.6 循環神經網絡應用——機器視覺 93
3.6.1 字符識別 93
3.6.2 目標跟蹤 93
3.6.3 視頻分析 96
3.7 雙向循環神經網絡 98
3.8 基於編碼-解碼的序列到序列架構 98
3.9 深度循環網絡 99
3.10 遞歸神經網絡 99
3.11 面臨的挑戰 100
3.12 回聲狀態網絡 100
3.13 滲漏單元和其他多時間尺度的策略 102
3.14 長短期記憶和其他門控循環神經網絡 103
3.14.1 LSTM 103
3.14.2 其他門控循環神經網絡 104
本章參考文獻 104
第4章 生成對抗網絡 106
4.1 隨機數據生成 106
4.2 生成對抗網絡的模型 107
4.2.1 生成模型 107
4.2.2 判別模型 109
4.3 模型的訓練 109
4.3.1 最大似然估計 110
4.3.2 目標函數 110
4.3.3 訓練算法 111
4.3.4 理論分析 113
4.4 GAN的改進和應用 115
4.4.1 條件生成對抗網絡(CGAN) 115
4.4.2 深度卷積生成對抗網絡(DCGAN) 116
4.4.3 拉普拉斯金字塔GAN 117
4.4.4 超分辨生成對抗網絡(SRGAN) 118
4.4.5 Wassertein GAN 120
4.4.6 InfoGAN 122
4.4.7 Pix2Pix 124
4.5 GAN的研究熱點 125
4.5.1 優化和評估 125
4.5.2 對抗攻擊 125
本章參考文獻 126
第5章 TensorFlow和PyTorch框架 127
5.1 TensorFlow 基本框架與模型搭建 127
5.1.1 基本框架 127
5.1.2 數據流圖 127
5.1.3 計算圖 128
5.1.4 張量 128
5.1.5 會話 129
5.1.6 TensorFlow的分布式與交互式 131
5.1.7 變量(Variable) 132
5.1.8 TensorFlow模型搭建 135
5.2 PyTorch基本框架與模型搭建 138
5.2.1 基本框架介紹 138
5.2.2 張量(Tensor) 139
5.2.3 變量(Variable) 141
5.2.4 激活函數 143
5.2.5 損失函數 144
5.2.6 PyTorch模型搭建 147
第6章 自然語言處理 150
6.1 自然語言處理概述 150
6.1.1 機器翻譯 151
6.1.2 信息檢索 152
6.1.3 自動文摘 152
6.1.4 問答系統 153
6.1.5 信息過濾 153
6.1.6 信息抽取 153
6.1.7 文本分類 154
6.1.8 語音識別 154
6.2 常用技術 155
6.2.1 分詞 155
6.2.2 停用詞過濾 155
6.2.3 詞幹提取 156
6.2.4 詞形還原 156
6.2.5 命名實體識別 157
6.2.6 序列標註 158
6.2.7 詞向量與詞嵌入 159
6.3 Word2Vec模型搭建與實現 159
6.3.1 Word2Vec簡介 159
6.3.2 Word2Vec模型 164
6.4 基於LSTM的評論情感分析 171
6.4.1 數據預處理 173
6.4.2 模型搭建 176
6.4.3 訓練 178
第7章 圖像語義分割 180
7.1 圖像語義分割概述 180
7.2 分割問題 181
7.2.1 傳統圖像語義分割方法 181
7.2.2 深度學習圖像分割方法 183
7.3 自然圖像分割模型FCN 184
7.4 醫學圖像分割模型U-Net 189
