滿額折
現代神經網絡教程（簡體書）
- 系列名：人工智能前沿技術叢書
- ISBN13：9787560655468
- 出版社：西安電子科技大學出版社
- 作者：楊淑媛; 焦李成; 劉夢琨; 趙進; 劉芳; 梁雪峰
- 裝訂／頁數：平裝／484頁
- 規格：24cm*17cm (高/寬)
- 版次：一版
- 出版日：2020/09/07
相關商品
商品簡介
目次
商品簡介
神經網絡在七十餘年的發展歷程中， 雖幾經沉浮， 但仍已發展成為國際學術、產業及國家發展的焦點和熱點，已成為未來創新社會發展的動力。本書從認知神經科學出發闡述了神經計算的範疇、歷史與發展、基本原理等內容。全書共17章，分為兩個部分: 第一部分(第1～10章)從神經網絡計算的生物學基礎出發，論述了前饋神經網絡、反饋神經網絡、競爭學習神經網絡以及新興的進化神經網絡、正則神經網絡、支撐矢量機網絡、模糊神經網絡、多尺度神經網絡等模型與學習算法； 第二部分(第11～17章)論述了新近發展的深度網絡模型與學習算法，包括自編碼網絡、卷積神經網絡、生成式對抗網絡、循環神經網絡、圖神經網絡等及其在文本、圖像模式識別、圖像感知等領域的應用，其中在第16章的深度學習進階中，論述了稀疏編碼分類及應用、相關網絡學習與訓練的實例，以供有興趣的讀者進一步探索實踐。
本書可作為高等院校計算機科學、電子科學與技術、信息科學、控制科學與工程、人工智能、大數據、圖像感知等相關專業本科生或研究生的教材, 同時也可為相關領域的科研人員提供參考。
本書可作為高等院校計算機科學、電子科學與技術、信息科學、控制科學與工程、人工智能、大數據、圖像感知等相關專業本科生或研究生的教材, 同時也可為相關領域的科研人員提供參考。
目次
第1章 緒論 1
1.1 人腦與腦神經信息處理 1
1.1.1 人腦的信息處理機制 2
1.1.2 人腦的信息處理能力 3
1.1.3 人工神經網絡 4
1.1.4 腦認知工程 6
1.2 人工神經網絡的歷史 9
1.2.1 第一次研究高潮 9
1.2.2 第二次研究高潮 14
1.2.3 最近30年的發展 17
1.3 人工神經網絡的實現 21
1.3.1 人工神經網絡的軟件模擬 21
1.3.2 人工神經網絡的硬件實現 24
1.4 人工神經網絡的應用 27
1.4.1 適合人工神經網絡求解的問題特點 27
1.4.2 人工神經網絡的典型應用 28
1.5 人工神經網絡與人工智能 32
1.5.1 人工智能 32
1.5.2 人工神經網絡與人工智能的區別 35
1.5.3 人工神經網絡與人工智能的互補性 36
1.6 人工神經網絡的研究與進展 37
1.6.1 人工神經網絡的研究內容 37
1.6.2 人工神經網絡的幾個重要研究領域 41
1.6.3 人工神經網絡的優勢與不足 46
1.7 本書的主要內容 47
本章參考文獻 47
第2章 人工神經網絡基礎 53
2.1 腦的結構與功能 53
2.2 大腦神經系統 56
2.2.1 神經系統中的組織層數 56
2.2.2 生物神經元 57
2.2.3 生物神經元連接突觸 58
2.2.4 生物神經網絡、層級和圖 61
2.2.5 學習和記憶的生物與物理學基礎 64
2.3 人工神經元與人工神經網絡 65
2.3.1 命題的基本邏輯 66
2.3.2 McCullochPitts神經元 66
2.3.3 基本integrateandfire神經元 69
2.3.4 一般的可計算神經元 70
2.3.5 人工神經網絡 74
2.4 人工神經網絡的分類 76
2.4.1 基於拓撲結構的分類 77
2.4.2 基於神經元特徵的分類 78
2.4.3 基於學習環境的分類 80
2.5 人工神經網絡的學習方法 81
2.5.1 有監督學習 82
2.5.2 無監督學習 84
2.5.3 增強學習 85
2.6 人工神經網絡的向量與矩陣基礎 85
2.6.1 線性向量空間與生成空間 85
2.6.2 基集合、內積與範數 86
2.6.3 正交、向量展開與互逆基向量 87
2.6.4 線性變換與矩陣表示 88
本章參考文獻 88
第3章 前饋神經網絡 90
3.1 單神經元模型 90
3.1.1 單感知器神經元和感知器學習規則 90
3.1.2 線性單元的梯度下降算法 93
3.1.3 隨機梯度下降算法 97
3.2 單層前饋神經網絡 97
3.2.1 自適應線性網絡 98
3.2.2 線性聯想器網絡 99
3.3 多層前饋神經網絡 101
3.3.1 反向傳播算法 104
3.3.2 改進的反向傳播算法 109
3.3.3 反向傳播算法實現的幾點說明 109
3.4 感知器準則和LMS算法 111
3.5 感知器網絡和Bayes分類器 112
3.6 感知器網絡和Fisher判別 115
3.7 神經網絡設計 116
3.8 神經網絡泛化 117
3.9 深度前饋神經網絡 118
本章參考文獻 120
第4章 反饋神經網絡 122
4.1 Hopfield反饋神經網絡的結構與激活函數 123
4.2 Hopfield反饋神經網絡的狀態軌跡 126
4.2.1 狀態軌跡為網絡的穩定點 127
4.2.2 狀態軌跡為極限環 127
4.2.3 狀態軌跡為混沌狀態 128
4.2.4 狀態軌跡發散 128
4.2.5 設計目標 128
4.3 離散型Hopfield反饋神經網絡 130
4.3.1 模型結構 130
4.3.2 聯想記憶功能 131
4.3.3 Hebb學習規則 132
4.3.4 影響記憶容量的因素 134
4.3.5 網絡的記憶容量確定 135
4.3.6 網絡權值設計的其他方法 137
4.4 連續型Hopfield反饋神經網絡 140
4.4.1 模型結構 140
4.4.2 求解組合優化問題 142
4.5 實時遞歸神經網絡 146
4.5.1 實時遞歸網絡 146
4.5.2 Kalman實時遞推算法 148
4.5.3 Kalman濾波規則與應用 149
4.6 Hopfield反饋神經網絡在人臉識別中的應用 150
本章參考文獻 152
第5章 競爭學習神經網絡 155
5.1 內星與外星學習規則 156
5.1.1 Instar學習規則 156
5.1.2 Outstar學習規則 159
5.1.3 Kohonen學習規則 160
5.2 自組織競爭網絡 160
5.2.1 網絡結構 161
5.2.2 競爭學習規則 163
5.2.3 網絡的訓練過程 164
5.3 Kohonen自組織映射網絡 164
5.3.1 網絡的拓撲結構 165
5.3.2 網絡的訓練過程 167
5.4 對傳網絡 168
5.4.1 網絡結構 169
5.4.2 學習規則 169
5.4.3 訓練過程 169
5.5 競爭學習神經網絡的研究趨勢與典型應用 170
5.5.1 研究趨勢 170
5.5.2 典型應用 172
5.6 基於SOFM的人口統計指標分類 173
5.6.1 問題描述 173
5.6.2 網絡的創建 174
5.6.3 網絡的訓練 176
5.6.4 網絡的測試與使用 178
本章參考文獻 179
第6章 進化神經網絡 182
6.1 進化算法 183
6.1.1 進化算法的提出 183
6.1.2 進化算法的基本框架 183
6.1.3 進化算法的特點及應用 185
6.2 遺傳算法 187
6.2.1 遺傳算法的基本概念及理論基礎 187
6.2.2 遺傳算法的流程及特點 189
6.2.3 遺傳算法的應用 190
6.3 進化規劃 192
6.3.1 進化規劃的發展 192
6.3.2 進化規劃算法的組成 193
6.3.3 進化規劃的特點及應用 193
6.4 進化策略 194
6.4.1 進化策略概述 194
6.4.2 進化策略的基本原理 195
6.4.3 進化策略的重要特徵及應用 196
6.5 進化神經網絡 196
6.5.1 進化神經網絡概述 196
6.5.2 進化神經網絡的研究方法 198
6.5.3 進化神經網絡的新進展 200
6.6 進化神經網絡應用實例 201
本章參考文獻 203
第7章 正則神經網絡 207
7.1 正則化技術和正則學習 207
7.2 具有徑向基穩定子的正則網絡 210
7.3 具有張量積穩定子的正則網絡 211
7.4 具有加性穩定子的正則網絡 211
7.5 正則網絡的貝葉斯解釋 212
7.6 徑向基神經網絡 214
7.7 正則神經網絡應用實例 215
本章參考文獻 219
第8章 支撐矢量機網絡 221
8.1 引子――偏置/方差困境 222
8.2 VC維 224
8.3 SRM和SVM網絡 227
8.4 線性支撐矢量機網絡 227
8.5 非線性支撐矢量機網絡 229
8.6 支撐矢量機網絡應用實例 231
本章參考文獻 233
第9章 模糊神經網絡 235
9.1 模糊數學理論 236
9.1.1 模糊集合及其運算 236
9.1.2 模糊數及其運算 237
9.2 模糊神經網絡 238
9.2.1 模糊神經網絡的基礎知識 238
9.2.2 模糊神經網絡的發展歷程 242
9.2.3 模糊神經網絡的學習算法 243
9.3 典型模糊神經網絡 245
9.3.1 邏輯模糊神經網絡 245
9.3.2 算術模糊神經網絡 246
9.3.3 混合模糊神經網絡 247
9.4 模糊神經網絡應用實例 249
9.4.1 系統辨識和建模 250
9.4.2 系統控制 250
9.4.3 問題和難點 251
本章參考文獻 252
第10章 多尺度神經網絡 253
10.1 多尺度分析 253
10.2 子波神經網絡 254
10.2.1 多變量函數估計子波網絡 256
10.2.2 正交多分辨子波網絡 257
10.2.3 多子波神經網絡 258
10.3 多尺度幾何分析 259
10.4 脊波網絡 262
10.4.1 連續脊波網絡 263
10.4.2 方向多分辨脊波網絡 267
本章參考文獻 274
第11章 自編碼網絡 277
11.1 自編碼網絡背景介紹 277
11.2 自編碼網絡的結構模型 278
11.3 自編碼網絡模型的研究進展 279
11.4 自編碼網絡模型的優化算法 279
11.5 受限玻爾茲曼機 280
11.6 自編碼網絡的變體 282
11.6.1 稀疏自動編碼器 282
11.6.2 降噪自動編碼器 283
11.6.3 收縮自動編碼器 285
11.6.4 棧式自動編碼器 285
11.7 自編碼網絡應用實例 286
11.7.1 圖像分類 286
11.7.2 目標檢測 288
11.7.3 目標跟蹤 289
11.8 自編碼網絡的總結 291
本章參考文獻 292
第12章 卷積神經網絡 294
12.1 卷積神經網絡的歷史 294
12.2 卷積神經網絡的結構 296
12.3 卷積神經網絡的學習算法 298
12.4 卷積神經網絡的改進設計 298
12.4.1 卷積層 298
12.4.2 卷積核 300
12.4.3 池化層 301
12.4.4 正則化 302
12.4.5 激活函數 303
12.5 卷積神經網絡應用實例 305
12.5.1 圖像語義分割 305
12.5.2 目標檢測 306
12.5.3 目標跟蹤 308
12.6 卷積神經網絡的總結 310
本章參考文獻 311
第13章 生成式對抗網絡 312
13.1 生成式對抗網絡介紹 312
13.2 生成式對抗網絡的結構與原理 312
13.3 生成式對抗網絡的學習算法 315
13.4 生成式對抗網絡的性能分析 316
13.5 生成式對抗網絡的變體 318
13.5.1 信息最大化生成式對抗網絡 318
13.5.2 條件生成式對抗網絡 318
13.5.3 深度卷積生成式對抗網絡 319
13.5.4 循環一致性生成式對抗網絡 320
13.5.5 最小二乘生成式對抗網絡 321
13.5.6 邊界平衡生成式對抗網絡 324
13.6 生成式對抗網絡應用實例 325
13.6.1 數據增強 325
13.6.2 圖像補全(修復) 326
13.6.3 文本翻譯成圖像 328
13.7 生成式對抗網絡存在的問題與思考 329
13.7.1 生成式對抗網絡的優點 330
13.7.2 生成式對抗網絡的缺點 330
13.7.3 模式崩潰的原因 330
13.7.4 為什麼GAN中的優化器不常用SGD 331
本章參考文獻 331
第14章 循環神經網絡 332
14.1 循環神經網絡介紹 332
14.2 循環神經網絡的計算過程 333
14.3 循環神經網絡的訓練過程 334
14.3.1 訓練算法 334
14.3.2 前向計算 334
14.3.3 誤差項的計算 335
14.3.4 權重梯度的計算 335
14.4 循環神經網絡的問題 335
14.5 循環神經網絡的變體 336
14.5.1 長短時記憶網絡 336
14.5.2 雙向循環神經網絡 337
14.5.3 深度雙向循環神經網絡 338
14.5.4 回聲狀態網絡 338
14.5.5 序列到序列網絡 340
14.6 循環神經網絡應用實例 342
14.6.1 自動問答 342
14.6.2 文本摘要生成 344
14.6.3 目標跟蹤 346
14.7 循環神經網絡的總結 348
本章參考文獻 351
第15章 深度強化學習 353
15.1 深度強化學習背景介紹 353
15.2 深度強化學習的基本機理 354
15.3 深度強化學習的經典網絡模型 356
15.3.1 基於卷積神經網絡的深度強化學習 356
15.3.2 基於遞歸神經網絡的深度強化學習 357
15.4 深度強化學習應用實例 358
15.4.1 玩Atari遊戲 358
15.4.2 目標檢測 359
15.4.3 目標跟蹤 362
15.5 深度強化學習的局限性 365
15.6 深度強化學習的挑戰 366
本章參考文獻 369
第16章 深度學習進階 371
16.1 稀疏學習 371
16.1.1 相關概念 372
16.1.2 稀疏編碼 372
16.1.3 字典學習 375
16.2 稀疏模型 381
16.2.1 合成稀疏模型 382
16.2.2 分析稀疏模型 383
16.2.3 稀疏模型的最新進展 386
16.3 稀疏模型的應用 389
16.3.1 合成稀疏模型的應用 389
16.3.2 分析稀疏模型的應用 390
16.3.3 稀疏模型在分類中的應用 391
16.4 認知神經科學 392
16.5 深度學習實戰 397
16.5.1 基本回歸方法 397
16.5.2 深層神經網絡的理解 404
16.5.3 反卷積網絡的理解 408
16.5.4 利用Hessianfree方法訓練深度網絡 409
16.5.5 深度學習中的優化方法 411
16.5.6 自編碼網絡的理解 412
16.5.7 自學習 425
16.5.8 線性解碼器 426
16.5.9 隨機採樣 429
16.5.10 數據預處理 430
16.5.11 dropout的理解 437
16.5.12 maxout的理解 438
16.5.13 ICA模型 439
16.5.14 RBM的理解 441
16.5.15 RNNRBM的理解 443
16.5.16 用神經網絡實現數據的降維 444
16.5.17 無監督特徵學習中關於單層網絡的分析 449
16.5.18 Kmeans單層網絡的識別性能 453
本章參考文獻 455
第17章 圖神經網絡 457
17.1 引言 457
17.2圖神經網絡的基本機理 459
17.3 圖神經網絡的變體 462
17.3.1 基於空域的圖卷積神經網絡 464
17.3.2 基於譜域的圖卷積神經網絡 468
17.3.3 圖注意力網絡 469
17.4 圖神經網絡應用實例 472
17.4.1 圖像分類 472
17.4.2 目標檢測 474
17.4.3 語義分割 477
17.5 圖神經網絡的挑戰 479
本章參考文獻 480
附錄 歷史上著名的人工智能大師 482
1.1 人腦與腦神經信息處理 1
1.1.1 人腦的信息處理機制 2
1.1.2 人腦的信息處理能力 3
1.1.3 人工神經網絡 4
1.1.4 腦認知工程 6
1.2 人工神經網絡的歷史 9
1.2.1 第一次研究高潮 9
1.2.2 第二次研究高潮 14
1.2.3 最近30年的發展 17
1.3 人工神經網絡的實現 21
1.3.1 人工神經網絡的軟件模擬 21
1.3.2 人工神經網絡的硬件實現 24
1.4 人工神經網絡的應用 27
1.4.1 適合人工神經網絡求解的問題特點 27
1.4.2 人工神經網絡的典型應用 28
1.5 人工神經網絡與人工智能 32
1.5.1 人工智能 32
1.5.2 人工神經網絡與人工智能的區別 35
1.5.3 人工神經網絡與人工智能的互補性 36
1.6 人工神經網絡的研究與進展 37
1.6.1 人工神經網絡的研究內容 37
1.6.2 人工神經網絡的幾個重要研究領域 41
1.6.3 人工神經網絡的優勢與不足 46
1.7 本書的主要內容 47
本章參考文獻 47
第2章 人工神經網絡基礎 53
2.1 腦的結構與功能 53
2.2 大腦神經系統 56
2.2.1 神經系統中的組織層數 56
2.2.2 生物神經元 57
2.2.3 生物神經元連接突觸 58
2.2.4 生物神經網絡、層級和圖 61
2.2.5 學習和記憶的生物與物理學基礎 64
2.3 人工神經元與人工神經網絡 65
2.3.1 命題的基本邏輯 66
2.3.2 McCullochPitts神經元 66
2.3.3 基本integrateandfire神經元 69
2.3.4 一般的可計算神經元 70
2.3.5 人工神經網絡 74
2.4 人工神經網絡的分類 76
2.4.1 基於拓撲結構的分類 77
2.4.2 基於神經元特徵的分類 78
2.4.3 基於學習環境的分類 80
2.5 人工神經網絡的學習方法 81
2.5.1 有監督學習 82
2.5.2 無監督學習 84
2.5.3 增強學習 85
2.6 人工神經網絡的向量與矩陣基礎 85
2.6.1 線性向量空間與生成空間 85
2.6.2 基集合、內積與範數 86
2.6.3 正交、向量展開與互逆基向量 87
2.6.4 線性變換與矩陣表示 88
本章參考文獻 88
第3章 前饋神經網絡 90
3.1 單神經元模型 90
3.1.1 單感知器神經元和感知器學習規則 90
3.1.2 線性單元的梯度下降算法 93
3.1.3 隨機梯度下降算法 97
3.2 單層前饋神經網絡 97
3.2.1 自適應線性網絡 98
3.2.2 線性聯想器網絡 99
3.3 多層前饋神經網絡 101
3.3.1 反向傳播算法 104
3.3.2 改進的反向傳播算法 109
3.3.3 反向傳播算法實現的幾點說明 109
3.4 感知器準則和LMS算法 111
3.5 感知器網絡和Bayes分類器 112
3.6 感知器網絡和Fisher判別 115
3.7 神經網絡設計 116
3.8 神經網絡泛化 117
3.9 深度前饋神經網絡 118
本章參考文獻 120
第4章 反饋神經網絡 122
4.1 Hopfield反饋神經網絡的結構與激活函數 123
4.2 Hopfield反饋神經網絡的狀態軌跡 126
4.2.1 狀態軌跡為網絡的穩定點 127
4.2.2 狀態軌跡為極限環 127
4.2.3 狀態軌跡為混沌狀態 128
4.2.4 狀態軌跡發散 128
4.2.5 設計目標 128
4.3 離散型Hopfield反饋神經網絡 130
4.3.1 模型結構 130
4.3.2 聯想記憶功能 131
4.3.3 Hebb學習規則 132
4.3.4 影響記憶容量的因素 134
4.3.5 網絡的記憶容量確定 135
4.3.6 網絡權值設計的其他方法 137
4.4 連續型Hopfield反饋神經網絡 140
4.4.1 模型結構 140
4.4.2 求解組合優化問題 142
4.5 實時遞歸神經網絡 146
4.5.1 實時遞歸網絡 146
4.5.2 Kalman實時遞推算法 148
4.5.3 Kalman濾波規則與應用 149
4.6 Hopfield反饋神經網絡在人臉識別中的應用 150
本章參考文獻 152
第5章 競爭學習神經網絡 155
5.1 內星與外星學習規則 156
5.1.1 Instar學習規則 156
5.1.2 Outstar學習規則 159
5.1.3 Kohonen學習規則 160
5.2 自組織競爭網絡 160
5.2.1 網絡結構 161
5.2.2 競爭學習規則 163
5.2.3 網絡的訓練過程 164
5.3 Kohonen自組織映射網絡 164
5.3.1 網絡的拓撲結構 165
5.3.2 網絡的訓練過程 167
5.4 對傳網絡 168
5.4.1 網絡結構 169
5.4.2 學習規則 169
5.4.3 訓練過程 169
5.5 競爭學習神經網絡的研究趨勢與典型應用 170
5.5.1 研究趨勢 170
5.5.2 典型應用 172
5.6 基於SOFM的人口統計指標分類 173
5.6.1 問題描述 173
5.6.2 網絡的創建 174
5.6.3 網絡的訓練 176
5.6.4 網絡的測試與使用 178
本章參考文獻 179
第6章 進化神經網絡 182
6.1 進化算法 183
6.1.1 進化算法的提出 183
6.1.2 進化算法的基本框架 183
6.1.3 進化算法的特點及應用 185
6.2 遺傳算法 187
6.2.1 遺傳算法的基本概念及理論基礎 187
6.2.2 遺傳算法的流程及特點 189
6.2.3 遺傳算法的應用 190
6.3 進化規劃 192
6.3.1 進化規劃的發展 192
6.3.2 進化規劃算法的組成 193
6.3.3 進化規劃的特點及應用 193
6.4 進化策略 194
6.4.1 進化策略概述 194
6.4.2 進化策略的基本原理 195
6.4.3 進化策略的重要特徵及應用 196
6.5 進化神經網絡 196
6.5.1 進化神經網絡概述 196
6.5.2 進化神經網絡的研究方法 198
6.5.3 進化神經網絡的新進展 200
6.6 進化神經網絡應用實例 201
本章參考文獻 203
第7章 正則神經網絡 207
7.1 正則化技術和正則學習 207
7.2 具有徑向基穩定子的正則網絡 210
7.3 具有張量積穩定子的正則網絡 211
7.4 具有加性穩定子的正則網絡 211
7.5 正則網絡的貝葉斯解釋 212
7.6 徑向基神經網絡 214
7.7 正則神經網絡應用實例 215
本章參考文獻 219
第8章 支撐矢量機網絡 221
8.1 引子――偏置/方差困境 222
8.2 VC維 224
8.3 SRM和SVM網絡 227
8.4 線性支撐矢量機網絡 227
8.5 非線性支撐矢量機網絡 229
8.6 支撐矢量機網絡應用實例 231
本章參考文獻 233
第9章 模糊神經網絡 235
9.1 模糊數學理論 236
9.1.1 模糊集合及其運算 236
9.1.2 模糊數及其運算 237
9.2 模糊神經網絡 238
9.2.1 模糊神經網絡的基礎知識 238
9.2.2 模糊神經網絡的發展歷程 242
9.2.3 模糊神經網絡的學習算法 243
9.3 典型模糊神經網絡 245
9.3.1 邏輯模糊神經網絡 245
9.3.2 算術模糊神經網絡 246
9.3.3 混合模糊神經網絡 247
9.4 模糊神經網絡應用實例 249
9.4.1 系統辨識和建模 250
9.4.2 系統控制 250
9.4.3 問題和難點 251
本章參考文獻 252
第10章 多尺度神經網絡 253
10.1 多尺度分析 253
10.2 子波神經網絡 254
10.2.1 多變量函數估計子波網絡 256
10.2.2 正交多分辨子波網絡 257
10.2.3 多子波神經網絡 258
10.3 多尺度幾何分析 259
10.4 脊波網絡 262
10.4.1 連續脊波網絡 263
10.4.2 方向多分辨脊波網絡 267
本章參考文獻 274
第11章 自編碼網絡 277
11.1 自編碼網絡背景介紹 277
11.2 自編碼網絡的結構模型 278
11.3 自編碼網絡模型的研究進展 279
11.4 自編碼網絡模型的優化算法 279
11.5 受限玻爾茲曼機 280
11.6 自編碼網絡的變體 282
11.6.1 稀疏自動編碼器 282
11.6.2 降噪自動編碼器 283
11.6.3 收縮自動編碼器 285
11.6.4 棧式自動編碼器 285
11.7 自編碼網絡應用實例 286
11.7.1 圖像分類 286
11.7.2 目標檢測 288
11.7.3 目標跟蹤 289
11.8 自編碼網絡的總結 291
本章參考文獻 292
第12章 卷積神經網絡 294
12.1 卷積神經網絡的歷史 294
12.2 卷積神經網絡的結構 296
12.3 卷積神經網絡的學習算法 298
12.4 卷積神經網絡的改進設計 298
12.4.1 卷積層 298
12.4.2 卷積核 300
12.4.3 池化層 301
12.4.4 正則化 302
12.4.5 激活函數 303
12.5 卷積神經網絡應用實例 305
12.5.1 圖像語義分割 305
12.5.2 目標檢測 306
12.5.3 目標跟蹤 308
12.6 卷積神經網絡的總結 310
本章參考文獻 311
第13章 生成式對抗網絡 312
13.1 生成式對抗網絡介紹 312
13.2 生成式對抗網絡的結構與原理 312
13.3 生成式對抗網絡的學習算法 315
13.4 生成式對抗網絡的性能分析 316
13.5 生成式對抗網絡的變體 318
13.5.1 信息最大化生成式對抗網絡 318
13.5.2 條件生成式對抗網絡 318
13.5.3 深度卷積生成式對抗網絡 319
13.5.4 循環一致性生成式對抗網絡 320
13.5.5 最小二乘生成式對抗網絡 321
13.5.6 邊界平衡生成式對抗網絡 324
13.6 生成式對抗網絡應用實例 325
13.6.1 數據增強 325
13.6.2 圖像補全(修復) 326
13.6.3 文本翻譯成圖像 328
13.7 生成式對抗網絡存在的問題與思考 329
13.7.1 生成式對抗網絡的優點 330
13.7.2 生成式對抗網絡的缺點 330
13.7.3 模式崩潰的原因 330
13.7.4 為什麼GAN中的優化器不常用SGD 331
本章參考文獻 331
第14章 循環神經網絡 332
14.1 循環神經網絡介紹 332
14.2 循環神經網絡的計算過程 333
14.3 循環神經網絡的訓練過程 334
14.3.1 訓練算法 334
14.3.2 前向計算 334
14.3.3 誤差項的計算 335
14.3.4 權重梯度的計算 335
14.4 循環神經網絡的問題 335
14.5 循環神經網絡的變體 336
14.5.1 長短時記憶網絡 336
14.5.2 雙向循環神經網絡 337
14.5.3 深度雙向循環神經網絡 338
14.5.4 回聲狀態網絡 338
14.5.5 序列到序列網絡 340
14.6 循環神經網絡應用實例 342
14.6.1 自動問答 342
14.6.2 文本摘要生成 344
14.6.3 目標跟蹤 346
14.7 循環神經網絡的總結 348
本章參考文獻 351
第15章 深度強化學習 353
15.1 深度強化學習背景介紹 353
15.2 深度強化學習的基本機理 354
15.3 深度強化學習的經典網絡模型 356
15.3.1 基於卷積神經網絡的深度強化學習 356
15.3.2 基於遞歸神經網絡的深度強化學習 357
15.4 深度強化學習應用實例 358
15.4.1 玩Atari遊戲 358
15.4.2 目標檢測 359
15.4.3 目標跟蹤 362
15.5 深度強化學習的局限性 365
15.6 深度強化學習的挑戰 366
本章參考文獻 369
第16章 深度學習進階 371
16.1 稀疏學習 371
16.1.1 相關概念 372
16.1.2 稀疏編碼 372
16.1.3 字典學習 375
16.2 稀疏模型 381
16.2.1 合成稀疏模型 382
16.2.2 分析稀疏模型 383
16.2.3 稀疏模型的最新進展 386
16.3 稀疏模型的應用 389
16.3.1 合成稀疏模型的應用 389
16.3.2 分析稀疏模型的應用 390
16.3.3 稀疏模型在分類中的應用 391
16.4 認知神經科學 392
16.5 深度學習實戰 397
16.5.1 基本回歸方法 397
16.5.2 深層神經網絡的理解 404
16.5.3 反卷積網絡的理解 408
16.5.4 利用Hessianfree方法訓練深度網絡 409
16.5.5 深度學習中的優化方法 411
16.5.6 自編碼網絡的理解 412
16.5.7 自學習 425
16.5.8 線性解碼器 426
16.5.9 隨機採樣 429
16.5.10 數據預處理 430
16.5.11 dropout的理解 437
16.5.12 maxout的理解 438
16.5.13 ICA模型 439
16.5.14 RBM的理解 441
16.5.15 RNNRBM的理解 443
16.5.16 用神經網絡實現數據的降維 444
16.5.17 無監督特徵學習中關於單層網絡的分析 449
16.5.18 Kmeans單層網絡的識別性能 453
本章參考文獻 455
第17章 圖神經網絡 457
17.1 引言 457
17.2圖神經網絡的基本機理 459
17.3 圖神經網絡的變體 462
17.3.1 基於空域的圖卷積神經網絡 464
17.3.2 基於譜域的圖卷積神經網絡 468
17.3.3 圖注意力網絡 469
17.4 圖神經網絡應用實例 472
17.4.1 圖像分類 472
17.4.2 目標檢測 474
17.4.3 語義分割 477
17.5 圖神經網絡的挑戰 479
本章參考文獻 480
附錄 歷史上著名的人工智能大師 482
您曾經瀏覽過的商品
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。