内容简介
本书介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例。
展开全文
- 封面
- 扉页
- 版权信息
- 内容提要
- 编委会
- 序一 拥抱万亿智能互联未来
- 序二
- 前言
- 01 绪论
- 1.1 机器学习与深度学习
- 1.2 机器学习方法类型
- 1.3 机器学习常见算法
- 1.4 深度学习的前世今生
- 1.5 深度学习的应用
- 1.6 深度学习开源工具简介
- 1.6.1 TensorFlow
- 1.6.2 PyTorch
- 1.6.3 CNTK
- 1.6.4 Keras
- 1.6.5 MXNet
- 1.6.6 Caffe
- 1.6.7 OpenAI Gym
- 1.7 本书主要学习内容
- 1.8 本章小结
- 1.9 习题
- 02 神经网络与深度神经网络
- 2.1 神经元与感知器
- 2.1.1 生物神经元与神经元模型
- 2.1.2 感知器
- 2.2 反向传播算法
- 2.2.1 前馈计算
- 2.2.2 反向传播
- 2.3 神经网络的连接
- 2.3.1 前馈神经网络
- 2.3.2 反馈神经网络
- 2.3.3 全局逼近网络和局部逼近网络
- 2.3.4 自组织特征映射网络
- 2.3.5 自适应共振理论ART模型
- 2.4 深度神经网络与深度学习
- 2.5 常用的函数模型
- 2.5.1 激活函数
- 2.5.2 损失函数
- 2.6 本章小结
- 2.7 习题
- 03 卷神经网络积
- 3.1 大脑视觉皮层的信息分层处理机制
- 3.2 感受野与权值共享
- 3.3 卷积神经网络的层级结构和组成
- 3.3.1 卷积层
- 3.3.2 池化层
- 3.3.3 全连接层
- 3.4 卷积神经网络算法
- 3.4.1 算法的训练
- 3.4.2 LeNet-5模型
- 3.5 网络的卷积层设计
- 3.5.1 跨步卷积（Stride Convolution）
- 3.5.2 零填充（Zero Padding）
- 3.5.3 非共享卷积（Unshared Convolution）
- 3.5.4 平铺卷积（Tiled Convolution）
- 3.6 CNN的经典网络结构
- 3.6.1 AlexNet
- 3.6.2 VGGNet
- 3.6.3 GoogLeNet
- 3.6.4 ResNet
- 3.6.5 DenseNet
- 3.7 CNN用于人脸表情分类
- 3.7.1 图像的预处理
- 3.7.2 用于分类的CNN网络设计
- 3.7.3 实验结果
- 3.8 本章小结
- 3.9 习题
- 04 循神经环网络
- 4.1 循环神经网络
- 4.1.1 循环神经元展开
- 4.1.2 随时间反向传播算法
- 4.1.3 梯度消失和梯度爆炸
- 4.2 长短期记忆网络
- 4.2.1 输入门、遗忘门和输出门
- 4.2.2 LSTM模型
- 4.2.3 LSTM的计算
- 4.3 循环神经网络设计
- 4.3.1 双向循环网络
- 4.3.2 深度循环神经网络
- 4.3.3 LSTM的变体
- 4.4 循环神经网络的应用
- 4.5 基于RNN的语言模型
- 4.6 本章小结
- 4.7 习题
- 05 目测标检
- 5.1 基于候选区域的目标检测算法
- 5.1.1 R-CNN算法
- 5.1.2 SPP-NET算法
- 5.1.3 Fast R-CNN算法
- 5.1.4 Faster R-CNN算法
- 5.1.5 Mask R-CNN算法
- 5.2 基于回归预测的目标检测算法
- 5.2.1 SSD算法
- 5.2.2 YOLO算法
- 5.2.3 YOLOv2算法
- 5.2.4 YOLOv3算法
- 5.3 目标检测算法发展趋势
- 5.4 人体行为检测
- 5.4.1 网络超参数的选择
- 5.4.2 模型的训练
- 5.4.3 模型测试
- 5.5 本章小结
- 5.6 习题
- 06 图描像述
- 6.1 图像描述方法
- 6.1.1 模板方法与检索方法
- 6.1.2 编码-解码结构方法
- 6.2 编码-解码图像描述
- 6.2.1 编码-解码结构原理
- 6.2.2 编码-解码结构的图像描述模型
- 6.3 注意力机制图像描述方法
- 6.3.1 注意力机制原理
- 6.3.2 注意力机制在图像描述中的应用
- 6.4 图像描述示例
- 6.4.1 图像描述的数据集
- 6.4.2 生成图像描述
- 6.4.3 图像描述代码解析
- 6.5 图像描述应用前景
- 6.5.1 图像检索
- 6.5.2 人机交互
- 6.5.3 智能监控
- 6.6 本章小结
- 6.7 习题
- 07 生抗成对网络
- 7.1 生成式模型
- 7.1.1 一个极具挑战的机器学习问题
- 7.1.2 生成式模型分类
- 7.2 生成对抗网络基本原理
- 7.2.1 GAN的思想与基本形式
- 7.2.2 GAN的优势与问题
- 7.3 生成式对抗网络的设计
- 7.3.1 条件生成式对抗网络
- 7.3.2 拉普拉斯金字塔生成式对抗网络
- 7.3.3 深度卷积生成式对抗网络
- 7.3.4 Wasserstein GAN
- 7.4 GAN的应用
- 7.4.1 计算机视觉领域
- 7.4.2 语言和语音领域
- 7.4.3 半监督领域
- 7.5 基于DCGAN的手写数字生成实例
- 7.6 本章小结
- 7.7 习题
- 08 深度移习迁学
- 8.1 迁移学习
- 8.1.1 迁移学习的分类
- 8.1.2 迁移学习的形式化定义
- 8.1.3 度量准则——距离和相似度
- 8.2 深度网络的可迁移性
- 8.3 深度网络的适配
- 8.3.1 核心思想——数据分布自适应
- 8.3.2 DDC方法
- 8.3.3 DAN方法
- 8.4 迁移学习的应用
- 8.5 VGG迁移——识别花朵类型
- 8.6 本章小结
- 8.7 习题
- 09 深度化习学强
- 9.1 强化学习
- 9.1.1 奖励驱动行为思想
- 9.1.2 强化学习的基本框架
- 9.1.3 强化学习算法
- 9.2 深度强化学习的突破与问题
- 9.3 DRL算法——深度Q网络
- 9.4 深度Q网络的变体
- 9.4.1 深度双Q网络
- 9.4.2 深度循环Q网络
- 9.4.3 基于优先级回放的深度Q网络
- 9.4.4 异步多步深度Q网络
- 9.4.5 彩虹深度Q网络
- 9.5 深度强化学习的应用
- 9.5.1 机器人控制
- 9.5.2 计算机视觉
- 9.5.3 自然语言处理
- 9.5.4 博弈论领域
- 9.6 本章小结
- 9.7 习题
- 附录1 CNN用于人脸表情分类
- 附录2 基于DCGAN的手写数字生成实例
- 附录3 VGG迁移——识别花朵类型
- 附录4 深度学习资源
- 参考文献
展开全部
版权信息
出版社：人民邮电出版社
出版时间：2020
作者：徐立芳
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
出版时间：2020
作者：徐立芳
温馨提示：
1.本电子书已获得正版授权，由出版社通过知传链发行。
2.该电子书为虚拟物品，付费之后概不接收任何理由退款。电子书内容仅支持在线阅读，不支持下载。
3.您在本站购买的阅读使用权仅限于您本人阅读使用，您不得/不能给任何第三方使用，由此造成的一切相关后果本平台保留向您追偿索赔的权利！版权所有，后果自负！
得书感谢您对《深度学习》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
深度学习
免费读 (VIP)