深度学习架构与实践

深度学习架构与实践

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

编辑推荐

本书以具体的实际案例为场景,从架构和实践两个方面,将基础理论和实际应用相结合,帮你快速实现入门到进阶。

内容简介

本书讲述了深度学习架构与实践,共分为两个部分。

第1部分(即第1~6章)为基础理论,主要对深度学习的理论知识进行了详细的讲解;

第2部分(即第7~12章)为应用实践,以具体的实际案例为场景,通过理论和实践相结合的讲解方式使读者能够对深度学习技术有更好的理解。

本书可以为读者提供一条轻松、快速入门深度学习的路径,有侧重地阐明深度学习的经典知识和核心要点,从架构和实践两个方面,让读者对深度学习的系统架构和若干领域的应用实践有清晰和深入的掌握。

章节目录

版权信息

内容提要

前言

绪论

第1章 深度学习的架构

1.1 如何区分人工智能、机器学习、深度学习

1.1.1 人工智能:从概念提出到走向繁荣

1.1.2 机器学习:一种实现人工智能的方法

1.1.3 深度学习:一种实现机器学习的技术

1.1.4 人工智能、机器学习和深度学习的关系

1.2 深度学习的发展历史及研究现状

1.2.1 深度学习的发展历史

1.2.2 深度学习的研究现状

1.3 深度学习的基本内容及理论基础

1.3.1 深度学习的基本内容

1.3.2 深度学习的理论基础

1.4 深度学习的发展趋势与未来

1.4.1 深度学习的发展趋势

1.4.2 深度学习的未来

第2章 深度学习相关数学基础

2.1 线性代数

2.1.1 标量、向量、矩阵和张量

2.1.2 矩阵和向量相乘

2.1.3 单位矩阵和逆矩阵

2.1.4 线性相关和生成子空间

2.1.5 范数

2.1.6 特殊类型的矩阵和向量

2.1.7 特征分解

2.1.8 奇异值分解

2.1.9 Moore-Penrose伪逆

2.1.10 迹运算

2.1.11 行列式

2.1.12 主成分分析

2.2 概率论与信息论

2.2.1 随机试验、频率与概率、随机变量

2.2.2 随机变量的分布情况

2.2.3 二维随机变量

2.2.4 期望、方差、协方差、相关系数

2.2.5 常用的概率分布

2.2.6 常用函数的有用性质

2.2.7 连续型变量的技术细节

2.2.8 信息论

2.2.9 结构化概率模型

2.3 拟合、梯度下降与传播

2.3.1 过拟合和欠拟合

2.3.2 随机梯度下降

2.3.3 正向传播与反向传播

第3章 神经网络的架构

3.1 神经网络与神经元

3.2 深度神经网络的概念与结构

3.2.1 深度神经网络的概念

3.2.2 深度神经网络的结构

3.3 深度神经网络的分类

3.3.1 前馈深度网络

3.3.2 反馈深度网络

3.3.3 双向深度网络

3.4 自动编码器与玻尔兹曼机

3.4.1 自动编码器

3.4.2 玻尔兹曼机

第4章 卷积神经网络

4.1 卷积神经网络的概念

4.2 卷积神经网络的基本结构

4.2.1 卷积层

4.2.2 池化层

4.2.3 全连接层

4.3 非线性层与激活函数

4.3.1 Sigmoid激活函数

4.3.2 Tanh函数

4.3.3 Relu函数

4.4 感受野与权值共享

4.4.1 局部感受野

4.4.2 权值共享

4.5 卷积神经网络与反卷积神经网络

4.5.1 卷积神经网络及其特点

4.5.2 反卷积神经网络及其特点

4.6 卷积神经网络的训练

第5章 循环神经网络

5.1 RNN的概念

5.2 RNN的结构

5.3 RNN的训练

5.3.1 反向传播算法的原理

5.3.2 反向传播算法的步骤

5.4 RNN的实现

5.4.1 梯度爆炸与梯度消失

5.4.2 基于RNN的语言模型例子

5.4.3 语言模型训练过程

5.5 RNN的发展

5.5.1 双向循环神经网络

5.5.2 长短时记忆结构

第6章 生成对抗网络

6.1 GAN的概念

6.1.1 对抗思想与GAN

6.1.2 最大似然估计及最优化问题

6.1.3 GAN的训练过程

6.2 GAN的原理

6.2.1 生成器

6.2.2 判别器

6.3 GAN的应用

6.4 GAN的发展

6.4.1 GAN的优缺点

6.4.2 GAN的未来发展方向

第7章 Python相关基础

7.1 Python程序结构

7.1.1 循环结构

7.1.2 分支结构

7.2 NumPy操作

7.2.1 NumPy的主要特点

7.2.2 ndarray

7.2.3 NumPy-数据类型

7.2.4 NumPy-数组属性

7.2.5 NumPy-数组创建例程

7.2.6 NumPy-切片和索引

7.2.7 NumPy-字符串函数

7.2.8 NumPy-算数函数

7.2.9 NumPy-算数运算

7.2.10 NumPy-统计函数

7.2.11 NumPy-排序、搜索和计数函数

7.2.12 NumPy-字节交换

7.2.13 NumPy-副本和视图

7.2.14 NumPy-矩阵库

7.2.15 NumPy-线性代数

7.3 函数

7.3.1 Python中函数的应用

7.3.2 Python函数的定义

7.3.3 Python函数的调用

7.3.4 为函数提供说明文档

7.4 第三方资源

第8章 TensorFlow、Theano、Caffe的框架与安装

8.1 TensorFlow的框架与安装

8.1.1 TensorFlow的简介

8.1.2 TensorFlow的架构

8.1.3 TensorFlow的特点

8.1.4 TensorFlow的安装

8.2 Theano的框架与安装

8.2.1 Theano的简介

8.2.2 Theano的安装

8.3 Caffe的架构与安装

8.3.1 Caffe的简介

8.3.2 Caffe的安装

第9章 TensorFlow、Theano、Caffe的原理及应用

9.1 TensorFlow的原理及应用

9.1.1 TensorFlow的工作原理

9.1.2 TensorFlow的简单应用

9.1.3 TensorFlow的复杂应用

9.2 Theano的基本语法及应用

9.2.1 Theano的基本语法

9.2.2 Theano在Windows下的常用实例

9.2.3 用Theano来编写一个简单的神经网络

9.3 Caffe的结构、写法及应用

9.3.1 Caffe的结构

9.3.2 Caffe的写法

9.3.3 Caffe的训练与测试

第10章 手写数字识别实例

10.1 字符识别的意义

10.2 字符识别的设计与实现

10.2.1 实验简介

10.2.2 实验环境搭建

10.3 单层神经网络搭建

10.3.1 网络搭建过程

10.3.2 梯度下降

10.4 多层神经网络搭建

10.4.1 Sigmoid激活函数

10.4.2 Relu激活函数

10.4.3 衰减学习率

10.4.4 添加dropout解决过拟合现象

10.5 卷积神经网络

第11章 自动生成图像描述实例

11.1 自动生成图像描述的目标

11.2 自动生成图像描述的设计

11.3 语言生成模型

11.4 自动生成图像描述的实现

11.5 实验结果及分析

第12章 唇语识别实例

12.1 唇语识别技术的目标

12.2 特征提取

12.2.1 CNN的唇部视觉特征提取

12.2.2 RNN的时序特征提取

12.2.3 特征分类算法SVM、KNN、Softmax

12.3 唇语识别模型网络架构

12.3.1 抽取视频帧算法与视频唇部区域定位

12.3.2 图像特征提取网络架构

12.3.3 基于注意力机制的时间特征提取架构

12.3.4 唇语识别模型与整体识别流程

12.4 实验结果及分析

12.4.1 数据集与预处理

12.4.2 实验结果

12.4.3 可视化分析

深度学习架构与实践是2021年由机械工业出版社出版,作者鲁远耀 编著。

得书感谢您对《深度学习架构与实践》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。

购买这本书

你可能喜欢
深度学习 电子书
深度学习是机器学习的一个分支,它能够使计算机通过层次概念来学习经验和理解世界。
深度学习 电子书
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。
JavaScript深度学习 电子书
深度学习扛鼎之作《Python深度学习》姊妹篇,前端工程师不可错过的AI入门书。
云计算基础架构与实践 电子书
本书系统地介绍了云计算基础架构与实践相关知识,全书共分为5个项目,项目1主要介绍了云计算的概念与发展趋势、云计算的架构内涵与关键技术、云计算基础架构等内容;项目2主要介绍了共享存储模型、磁盘存储阵列、存储网络、共享文件系统等内容;项目3主要介绍了网络总体架构、接入层网络、主机网络虚拟化、OpenFlow网络流量平面等内容;项目4主要介绍了云接入技术、桌面云和VMwareView桌面云等内容;项目5
Python深度学习与项目实战 电子书
本书基于Python以及两个深度学习框架Keras与TensorFlow,讲述深度学习在实际项目中的应用。本书共10章,首先介绍线性回归模型、逻辑回归模型、Softmax多分类器,然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络,最后讨论自编码模型、对抗生成网络、深度强化学习。