深度學習原理(從基礎理論到經典模型)
胡群超//方明/徐波
- 出版商: 中國科學技術大學出版社
- 出版日期: 2026-10-01
- 售價: $408
- 語言: 簡體中文
- ISBN: 7312067727
- ISBN-13: 9787312067723
-
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
本書系統闡述深度學習核心原理、關鍵模型與發展脈絡，完整梳理從數學基礎到主流模型的理論體系與應用框架。全書共6章，內容循序漸進、結構完整，依次介紹深度學習基礎概念與發展歷程，講解卷積神經網絡、循環神經網絡及其變體、強化學習、Transformer與註意力機制，以及自編碼器、生成對抗網絡、擴散模型等主流生成模型技術。全書融合理論推導與模型實例，構建從基礎概念、網絡結構、優化算法、強化學習、Transformer到生成模型的完整知識體系，兼顧原理剖析、模型演化與實際應用。 本書可作為高等院校人工智能、機器學習、深度學習相關課程的教材或教學參考書，也可供人工智能相關領域的科研人員、工程技術人員及行業從業者閱讀參考。
目錄大綱
序一
序二
序三
前言
常用術語英漢對照
本書結構圖
第1章 深度學習概述
1.1 人工智能、機器學習與深度學習
1.1.1 人工智能
1.1.2 機器學習
1.1.3 深度學習
1.1.4 AI、ML與DL的關系
1.1.5 深度學習在AI中的重要性
1.2 深度學習的歷史與發展
1.3 深度學習的基本概念
1.3.1 神經元模型
1.3.2 激活函數
1.3.3 損失函數
1.3.4 One-Hot編碼
1.3.5 反向傳播
1.3.6 優化算法
1.3.7 網絡架構概覽
1.3.8 正則化技術
1.3.9 模型評估和選擇
1.4 深度學習的框架工具
1.5 深度學習的應用領域
第2章 卷積神經網絡(CNN)
2.1 卷積神經網絡簡介
2.2 卷積神經網絡的基本原理
2.2.1 卷積運算基礎
2.2.2 卷積層參數計算
2.2.3 填充和步長
2.2.4 通道機制
2.2.5 感受野
2.2.6 計算覆雜度分析
2.2.7 常用卷積核
2.3 卷積神經網絡的核心結構
2.3.1 卷積層
2.3.2 池化層
2.3.3 全連接層
2.3.4 三種層的組合策略
2.4 經典卷積神經網絡架構
2.4.1 LeNet-5(1998)
2.4.2 AlexNet(2012)
2.4.3 VGG(2014)
2.4.4 Inception(2014)
2.4.5 ResNet(2015)
2.4.6 DenseNet(2017)
2.4.7 經典模型比較
2.5 卷積神經網絡的發展方向
第3章 循環神經網絡(RNN)
3.1 循環神經網絡簡介
3.2 循環神經網絡的基本原理
3.2.1 RNN的基本概念
3.2.2 RNN的結構和公式
3.2.3 RNN的輸入和輸出
3.2.4 RNN的優缺點
3.2.5 RNN的變體
3.3 長短期記憶網絡和門控循環單元
3.3.1 長短期記憶網絡(LSTM)
3.3.2 門控循環單元(GRU)
3.3.3 LSTM與GRU的比較
3.4 雙向RNN和深度RNN
3.4.1 雙向RNN
3.4.2 深度RNN
3.5 循環神經網絡的發展方向
第4章 強化學習
4.1 馬爾可夫決策過程概述
4.2 強化學習簡介
4.2.1 強化學習的結構
4.2.2 強化學習的流程
4.2.3 強化學習的目標
4.2.4 強化學習的類型
4.2.5 深度強化學習
4.2.6 強化學習的應用
4.3 價值函數與策略函數
4.3.1 價值函數
4.3.2 策略函數
4.3.3 價值函數與策略函數之間的關系
4.3.4 V(s)、Q(s,a)、r t+1和G t的區別與聯系
4.4 經典強化學習算法
4.4.1 基於值的算法
4.4.2 基於策略的算法
4.4.3 基於模型的算法
4.4.4 Actor-Critic算法
4.5 深度強化學習
4.5.1 深度強化學習概述
4.5.2 深度Q網絡(DQN)
4.5.3 深度確定性策略梯度(DDPG)
4.6 強化學習的發展方向
第5章 Transformer
5.1 Transformer概述
5.2 Transformer的基本原理
5.2.1 詞嵌入
5.2.2 註意力機制
5.2.3 自註意力機制
5.2.4 多頭註意力機制
5.2.5 查詢、鍵和值的維度
5.2.6 位置編碼
5.2.7 前饋神經網絡
5.2.8 殘差連接與層歸一化
5.2.9 編碼器-解碼器註意力層
5.2.10 掩碼多頭自註意力
5.2.11 整體網絡結構及工作流程
5.3 Transformer的變體及擴展
5.3.1 GPT
5.3.2 BERT
5.3.3 T
5.3.4 ViT
5.4 Transformer的發展方向
第6章 生成網絡
6.1 自編碼器(AE)
6.2 變分自編碼器(VAE)
6.3 生成對抗網絡(GAN)
6.3.1 GAN概述
6.3.2 經典GAN模型
6.4 經典擴散模型(DDPM)
6.4.1 模型結構
6.4.2 損失函數
6.4.3 工作流程
6.4.4 DDIM改進點
6.4.5 應用
6.5 潛在擴散模型(LDM)
6.5.1 模型結構
6.5.2 自動編碼器
6.5.3 條件機制
6.5.4 有條件潛在擴散
6.5.5 損失函數
6.5.6 工作流程
6.5.7 應用
6.6 生成網絡的發展方向
參考文獻
