类似推荐
编辑推荐
本书系统介绍了神经网络和深度学习。
内容简介
全书共16章，分为4个部分。
第1部分介绍了深度学习基础算法与应用，主要包括神经网络和深度学习的相关概念、多层神经网络的基本原理和具体应用、卷积神经网络的原理及项目案例实现、优化算法与模型管理。
第2部分介绍了深度学习进阶算法与应用，主要包括经典的深度卷积神经网络，ResNet、DenseNet和MobileNet，目标检测的基本概念和常见算法，循环神经网络的基本概念和具体应用。
第3部分介绍了时空数据模型与应用，主要包括CNN-LSTM混合模型的基本概念和具体应用，多元时间序列神经网络、注意力机制和Transformer的基本结构和具体应用。
第4部分介绍了生成对抗网络及其应用，主要包括生成对抗网络的基本概念及其模型的结构和训练过程，使用检测模型、识别模型对车牌进行检测与识别。
作者简介
编著者韩少云，达内科技（中国）有限公司创始人、总裁/CEO。专注IT职业教育人才服务多年，拥有300多家培训中心，帮助学员实现一地学习全国就业。
章节目录
版权信息
内容简介
《深度学习应用与实战》编委会
前言
第1部分 深度学习基础算法与应用
第1章 单层神经网络
1.1 深度学习的基本概念
1.1.1 深度学习的概述
1.1.2 神经网络
1.2 深度学习框架
1.2.1 常见框架介绍
1.2.2 张量
1.3 单层神经网络的概述
1.3.1 回归模型
1.3.2 二分类模型
1.3.3 多分类模型
1.4 单层神经网络实现鸢尾花分类
1.4.1 使用TensorFlow实现鸢尾花分类
1.4.2 使用PyTorch实现鸢尾花分类
本章总结
作业与练习
第2章 多层神经网络
2.1 多层神经网络的概述
2.1.1 隐藏层的意义
2.1.2 激活函数
2.1.3 反向传播
2.1.4 异或处理代码实现
2.2 梯度下降算法
2.2.1 批量梯度下降算法
2.2.2 随机梯度下降算法
2.2.3 小批量梯度下降算法
2.3 正则化处理
2.3.1 L1正则化与L2正则化
2.3.2 Dropout正则化
2.3.3 提前停止
2.3.4 批量标准化
2.4 手写数字识别
2.4.1 MNIST数据集简介
2.4.2 使用TensorFlow实现MNIST手写数字分类
2.4.3 使用PyTorch实现MNIST手写数字分类
本章总结
作业与练习
第3章 卷积神经网络
3.1 图像基础原理
3.1.1 像素
3.1.2 灰度值
3.1.3 彩色图像表达
3.2 卷积的作用及原理
3.2.1 卷积的概述
3.2.2 卷积运算的原理
3.2.3 卷积运算的方式
3.2.4 卷积表达的含义
3.2.5 卷积相关术语
3.3 卷积神经网络的基本结构
3.3.1 卷积神经网络的网络结构
3.3.2 卷积层
3.3.3 ReLU层
3.3.4 池化层
3.3.5 全连接层
3.4 基于卷积神经网络实现MNIST手写数字识别
3.4.1 构建卷积神经网络模型
3.4.2 使用TensorFlow实现卷积神经网络MNIST手写数字分类
3.4.3 使用PyTorch实现卷积神经网络MNIST手写数字分类
本章总结
作业与练习
第4章 优化算法与模型管理
4.1 数据增强
4.1.1 数据增强的意义
4.1.2 使用TensorFlow实现数据增强
4.1.3 使用PyTorch实现数据增强
4.2 梯度下降优化
4.2.1 梯度下降优化的必要性
4.2.2 Momentum优化器
4.2.3 Adagrad优化器
4.2.4 RMSprop优化器
4.2.5 Adam优化器
4.3 模型的保存与加载
4.3.1 TensorFlow模型保存与加载
4.3.2 PyTorch模型保存与加载
4.4 项目案例：车辆识别
4.4.1 汽车数据集
4.4.2 项目案例实现
本章总结
作业与练习
第2部分 深度学习进阶算法与应用
第5章 深度卷积神经网络
5.1 深度卷积神经网络的概述
5.2 AlexNet
5.2.1 AlexNet的网络结构
5.2.2 构建AlexNet模型
5.3 VGG
5.3.1 VGG的网络结构
5.3.2 构建VGG模型
5.4 NiN
5.4.1 NiN的网络结构
5.4.2 构建NiN模型
5.5 GoogLeNet
5.5.1 GoogLeNet的网络结构
5.5.2 构建GoogLeNet模型
5.6 项目案例：车辆多属性识别
5.6.1 多属性识别
5.6.2 项目案例实现
本章总结
作业与练习
第6章 高效的卷积神经网络
6.1 ResNet
6.1.1 ResNet的网络结构
6.1.2 构建ResNet模型
6.2 DenseNet
6.2.1 DenseNet的网络结构
6.2.2 构建DenseNet模型
6.3 MobileNet
6.3.1 MobileNet的网络结构
6.3.2 构建MobileNet模型
6.4 项目案例：违规驾驶行为识别
本章总结
作业与练习
第7章 目标检测
7.1 目标检测的概述
7.2 两阶段目标检测
7.2.1 R-CNN
7.2.2 Fast R-CNN和Faster R-CNN
7.2.3 Mask R-CNN
7.3 一阶段目标检测
7.3.1 YOLO系列
7.3.2 SSD
7.4 项目案例：车辆检测
本章总结
作业与练习
第8章 循环神经网络
8.1 循环神经网络的概述
8.2 LSTM神经网络
8.2.1 LSTM神经网络的网络结构
8.2.2 LSTM门机制
8.3 GRU神经网络
8.3.1 GRU神经网络的网络结构
8.3.2 GRU门机制
8.4 项目案例：文本生成
本章总结
作业与练习
第9章 深度循环神经网络
9.1 深度循环神经网络的概述
9.1.1 深度循环神经网络的特点
9.1.2 双向LSTM神经网络
9.2 项目案例：短时交通流量预测
9.2.1 解决方案
9.2.2 项目案例实现
本章总结
作业与练习
第3部分 时空数据模型与应用
第10章 CNN-LSTM混合模型
10.1 编码器-解码器模型
10.1.1 模型结构
10.1.2 构建编码器-解码器模型
10.2 项目案例：基于时空特征的交通事故预测
10.2.1 数据集和评价指标
10.2.2 项目案例实现
本章总结
作业与练习
第11章 多元时间序列神经网络
11.1 图
11.1.1 结构和信号
11.1.2 图结构
11.1.3 图神经网络
11.2 图卷积网络
11.2.1 基本原理
11.2.2 数学运算
11.2.3 使用GCN模型实现图像识别
11.3 多元时间序列神经网络的概述
11.3.1 DCRNN
11.3.2 seq2seq模型
11.4 项目案例：基于DCRNN实现交通流量预测
11.4.1 解决方案
11.4.2 项目案例实现
本章总结
作业与练习
第12章 MTGNN与交通流量预测
12.1 基于MTGNN实现交通流量预测
12.1.1 MTGNN的网络结构
12.1.2 MTGNN时空卷积
12.2 PyTorch-Lightning
12.2.1 安装
12.2.2 基本使用
12.3 项目案例：基于MTGNN实现交通流量预测
本章总结
作业与练习
第13章 注意力机制
13.1 注意力机制的概述
13.1.1 机器翻译中的注意力机制
13.1.2 自注意力机制的概述
13.2 项目案例：视频异常检测
本章总结
作业与练习
第14章 Transformer
14.1 Transformer的概述
14.1.1 Transformer的简介
14.1.2 Transformer的总体结构
14.2 Self-Attention机制
14.2.1 Self-Attention机制的原理
14.2.2 Self-Attention的计算过程
14.2.3 Positional Encoding和LayerNorm
14.3 项目案例：轨迹预测
14.3.1 解决方案
14.3.2 车辆轨迹预测数据集
14.3.3 实现过程
本章总结
作业与练习
第4部分 生成对抗网络及其应用
第15章 生成对抗网络
15.1 生成对抗网络的概述
15.1.1 GAN模型的结构
15.1.2 GAN模型的训练过程
15.2 TecoGAN模型
15.2.1 TecoGAN模型的结构
15.2.2 TecoGAN损失函数
15.2.3 TecoGAN评价指标
15.3 项目案例：视频超分辨率
本章总结
作业与练习
第16章 车牌检测与识别
16.1 项目案例：车牌检测与识别
16.1.1 数据集
16.1.2 MTCNN模型
16.1.3 LPRNet
16.2 项目案例实现
本章总结
作业与练习
深度学习应用与实战（全彩）是2023年由电子工业出版社出版,作者韩少云 等 编著。
得书感谢您对《深度学习应用与实战（全彩）》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。
