相關商品
商品簡介
目次
商品簡介
深度學習理論由Hinton等人於2006年提出, 其概念源於對人工神經網絡的研究。深度學習技術通過組合數據的低層特徵形成更加抽象的高層屬性, 以發現數據的分布式特徵表示。
本書主要闡述基於深度學習理論的一些模型和算法。全書共分為8章, 主要內容包括緒論、TensorFlow和Keras簡介、簡單神經網絡、圖像類數據處理、序列類數據處理、深度學習模型優化、數據和模型的處理與調試、現代深度學習模型概述。附錄給出了基於深度學習的視頻目標跟蹤研究進展綜述和QLearning算法的參考代碼。為便於學習和參考, 各章均包含豐富的思考題。
本書主要面向工科院校人工智能、模式識別、數據挖掘和深度學習等專業的本科生, 也可供相關專業的研究生和工程技術人員參考。
本書主要闡述基於深度學習理論的一些模型和算法。全書共分為8章, 主要內容包括緒論、TensorFlow和Keras簡介、簡單神經網絡、圖像類數據處理、序列類數據處理、深度學習模型優化、數據和模型的處理與調試、現代深度學習模型概述。附錄給出了基於深度學習的視頻目標跟蹤研究進展綜述和QLearning算法的參考代碼。為便於學習和參考, 各章均包含豐富的思考題。
本書主要面向工科院校人工智能、模式識別、數據挖掘和深度學習等專業的本科生, 也可供相關專業的研究生和工程技術人員參考。
目次
第1章 緒論 1
1.1 引言 1
1.2 基本術語 2
1.3 監督學習算法 6
1.3.1 支持向量機 6
1.3.2 決策樹 9
1.4 無監督學習算法 11
1.4.1 主成分分析 11
1.4.2 K均值聚類 15
1.5 機器學習 16
1.6 深度學習的趨勢 21
1.6.1 與日俱增的數據量 21
1.6.2 愈發龐大的計算資源 22
1.6.3 越來越高的性能以及解決實際問題的潛力 23
思考題 23
參考文獻 24
第2章 TensorFlow和Keras簡介 27
2.1 TensorFlow簡介 27
2.1.1 概述 27
2.1.2 TensorFlow的使用 29
2.1.3 TensorFlow的可視化 32
2.2 Keras簡介 36
2.2.1 Keras概述 36
2.2.2 Keras的使用 37
2.2.3 Keras的可視化 38
思考題 39
參考文獻 39
第3章 簡單神經網絡 40
3.1 人腦是如何學習的 40
3.2 模仿人腦――神經元(感知器) 42
3.3 非線性神經元 44
3.4 神經網絡架構 47
3.5 梯度下降 49
3.5.1 代價函數 49
3.5.2 梯度下降 50
3.6 反向傳播 53
3.6.1 多層神經網絡的數學表示 53
3.6.2 反向傳播算法原理 54
3.7 實現簡單神經網絡 56
思考題 62
參考文獻 63
第4章 圖像類數據處理 65
4.1 二維卷積神經網絡的基本原理 65
4.1.1 卷積神經網絡的原理 66
4.1.2 參數共享 69
4.1.3 池化 72
4.1.4 分類原理 75
4.2 簡單卷積神經網絡實例 78
4.3 過度擬合 86
4.3.1 容量、過擬合與欠擬合的基本概念 86
4.3.2 數據集增強 88
4.3.3 L2正則化 89
4.3.4 L1正則化 93
4.3.5 Dropout 95
4.3.6 提前終止 99
4.4 時間優化 104
4.4.1 交叉熵代價函數 104
4.4.2 批標準化 108
4.4.3 隨機梯度下降 110
4.4.4 動量 112
4.4.5 Nesterov動量 116
4.5 綜合二維卷積神經網絡實例 116
思考題 121
參考文獻 123
第5章 序列類數據處理 127
5.1 一維卷積神經網絡 127
5.1.1 一維卷積神經網絡的原理 127
5.1.2 一維卷積神經網絡實例 129
5.2 循環神經網絡 134
5.2.1 循環神經網絡的基本原理 135
5.2.2 循環神經網絡的輸出 141
5.2.3 上下文依賴型數據處理 145
5.2.4 序列到序列的數據處理 147
5.3 遞歸神經網絡 150
5.3.1 遞歸神經網絡的基本原理 150
5.3.2 長期依賴性 151
5.4 長短期記憶LSTM網絡 155
5.4.1 長短期記憶網絡的基本原理 155
5.4.2 長短期記憶網絡工程實例 159
思考題 169
參考文獻 170
第6章 深度學習模型優化 175
6.1 參數初始化 175
6.2 超參數尋優算法 179
6.2.1 手動超參數尋優 179
6.2.2 超參數尋優算法 181
6.3 基於梯度的自適應學習算法 183
6.3.1 AdaGrad算法 183
6.3.2 RMSProp算法 184
6.3.3 Adam算法 185
6.4 生成對抗神經網絡及實例 187
6.5 遷移學習及實例 198
6.6 強化學習 215
6.7 模型優化的局限性 227
6.7.1 局部極小值 227
6.7.2 梯度消失、梯度爆炸與懸崖 228
6.7.3 鞍點 232
6.7.4 長期依賴 233
6.7.5 梯度的非精確性 234
思考題 234
參考文獻 236
第7章 數據和模型的處理與調試 239
7.1 模型評價 239
7.2 數據預處理 241
7.3 基礎模型的選擇 246
7.4 模型調試 248
思考題 250
參考文獻 251
第8章 現代深度學習模型概述 253
8.1 玻爾茲曼機 253
8.1.1 標準玻爾茲曼機 253
8.1.2 受限玻爾茲曼機 255
8.1.3 深層玻爾茲曼機 258
8.2 自編碼器 262
8.2.1 標準自編碼器 262
8.2.2 稀疏自編碼器 264
8.2.3 降噪自編碼器 266
8.3 深度信念網絡及實例 269
8.4 殘差神經網絡及實例 278
8.5 膠囊神經網絡及實例 286
思考題 294
參考文獻 295
附錄 298
附錄A 基於深度學習的視頻目標跟蹤研究進展綜述 298
附錄B QLearning算法的參考代碼 309
1.1 引言 1
1.2 基本術語 2
1.3 監督學習算法 6
1.3.1 支持向量機 6
1.3.2 決策樹 9
1.4 無監督學習算法 11
1.4.1 主成分分析 11
1.4.2 K均值聚類 15
1.5 機器學習 16
1.6 深度學習的趨勢 21
1.6.1 與日俱增的數據量 21
1.6.2 愈發龐大的計算資源 22
1.6.3 越來越高的性能以及解決實際問題的潛力 23
思考題 23
參考文獻 24
第2章 TensorFlow和Keras簡介 27
2.1 TensorFlow簡介 27
2.1.1 概述 27
2.1.2 TensorFlow的使用 29
2.1.3 TensorFlow的可視化 32
2.2 Keras簡介 36
2.2.1 Keras概述 36
2.2.2 Keras的使用 37
2.2.3 Keras的可視化 38
思考題 39
參考文獻 39
第3章 簡單神經網絡 40
3.1 人腦是如何學習的 40
3.2 模仿人腦――神經元(感知器) 42
3.3 非線性神經元 44
3.4 神經網絡架構 47
3.5 梯度下降 49
3.5.1 代價函數 49
3.5.2 梯度下降 50
3.6 反向傳播 53
3.6.1 多層神經網絡的數學表示 53
3.6.2 反向傳播算法原理 54
3.7 實現簡單神經網絡 56
思考題 62
參考文獻 63
第4章 圖像類數據處理 65
4.1 二維卷積神經網絡的基本原理 65
4.1.1 卷積神經網絡的原理 66
4.1.2 參數共享 69
4.1.3 池化 72
4.1.4 分類原理 75
4.2 簡單卷積神經網絡實例 78
4.3 過度擬合 86
4.3.1 容量、過擬合與欠擬合的基本概念 86
4.3.2 數據集增強 88
4.3.3 L2正則化 89
4.3.4 L1正則化 93
4.3.5 Dropout 95
4.3.6 提前終止 99
4.4 時間優化 104
4.4.1 交叉熵代價函數 104
4.4.2 批標準化 108
4.4.3 隨機梯度下降 110
4.4.4 動量 112
4.4.5 Nesterov動量 116
4.5 綜合二維卷積神經網絡實例 116
思考題 121
參考文獻 123
第5章 序列類數據處理 127
5.1 一維卷積神經網絡 127
5.1.1 一維卷積神經網絡的原理 127
5.1.2 一維卷積神經網絡實例 129
5.2 循環神經網絡 134
5.2.1 循環神經網絡的基本原理 135
5.2.2 循環神經網絡的輸出 141
5.2.3 上下文依賴型數據處理 145
5.2.4 序列到序列的數據處理 147
5.3 遞歸神經網絡 150
5.3.1 遞歸神經網絡的基本原理 150
5.3.2 長期依賴性 151
5.4 長短期記憶LSTM網絡 155
5.4.1 長短期記憶網絡的基本原理 155
5.4.2 長短期記憶網絡工程實例 159
思考題 169
參考文獻 170
第6章 深度學習模型優化 175
6.1 參數初始化 175
6.2 超參數尋優算法 179
6.2.1 手動超參數尋優 179
6.2.2 超參數尋優算法 181
6.3 基於梯度的自適應學習算法 183
6.3.1 AdaGrad算法 183
6.3.2 RMSProp算法 184
6.3.3 Adam算法 185
6.4 生成對抗神經網絡及實例 187
6.5 遷移學習及實例 198
6.6 強化學習 215
6.7 模型優化的局限性 227
6.7.1 局部極小值 227
6.7.2 梯度消失、梯度爆炸與懸崖 228
6.7.3 鞍點 232
6.7.4 長期依賴 233
6.7.5 梯度的非精確性 234
思考題 234
參考文獻 236
第7章 數據和模型的處理與調試 239
7.1 模型評價 239
7.2 數據預處理 241
7.3 基礎模型的選擇 246
7.4 模型調試 248
思考題 250
參考文獻 251
第8章 現代深度學習模型概述 253
8.1 玻爾茲曼機 253
8.1.1 標準玻爾茲曼機 253
8.1.2 受限玻爾茲曼機 255
8.1.3 深層玻爾茲曼機 258
8.2 自編碼器 262
8.2.1 標準自編碼器 262
8.2.2 稀疏自編碼器 264
8.2.3 降噪自編碼器 266
8.3 深度信念網絡及實例 269
8.4 殘差神經網絡及實例 278
8.5 膠囊神經網絡及實例 286
思考題 294
參考文獻 295
附錄 298
附錄A 基於深度學習的視頻目標跟蹤研究進展綜述 298
附錄B QLearning算法的參考代碼 309
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。