掃一掃
關(guān)注中圖網(wǎng)
官方微博
>
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版)
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版) 版權(quán)信息
- ISBN：9787302681847
- 條形碼：9787302681847 ; 978-7-302-68184-7
- 裝幀：平裝-膠訂
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版) 本書特色
?深度 力圖做到深入淺出，盡量用通俗易懂的語言、實(shí)用生動的案例把理論與方法講清楚、說明白。
?角度 “深度卷積神經(jīng)網(wǎng)絡(luò)”是模仿大腦工作機(jī)理的一種智能系統(tǒng)，本書以“系統(tǒng)角度”→“數(shù)學(xué)角度”→“仿生角度”為主線，對相關(guān)知識進(jìn)行講解。
?溫度 書中添加了“溫馨提示”“經(jīng)驗(yàn)分享”“擴(kuò)展閱讀”等版塊，且對書中講解的30個(gè)程序都做了詳細(xì)的注釋，對操作中可能存在的問題也一一進(jìn)行了提示。
?態(tài)度 通過本書傳遞作者“授人以漁”和“持續(xù)學(xué)習(xí)”的人生態(tài)度，更加注重對方法、過程的講解，希望讀者在實(shí)際應(yīng)用中能夠觸類旁通、舉一反三。
?適度 任何一本書都有它的局限性，本書也不例外，希望讀者在讀此書時(shí)，多多思考，多多交流，對于本書有待提高的地方提出適度的建議。
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版) 內(nèi)容簡介
"《深度學(xué)習(xí)理論及實(shí)戰(zhàn)（MATLAB版·第2版）》主要介紹深度學(xué)習(xí)理論及實(shí)戰(zhàn),共5章,內(nèi)容包括機(jī)器學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、MATLAB深度學(xué)習(xí)工具箱和應(yīng)用案例。在介紹基礎(chǔ)理論方面,本書深入淺出、語言生動、通俗易懂;在介紹應(yīng)用實(shí)例時(shí),本書貼近實(shí)際,步驟翔實(shí),舉一反三。本書對數(shù)十個(gè)例程進(jìn)行了深入的講解,并對代碼進(jìn)行了詳細(xì)的注解。 《深度學(xué)習(xí)理論及實(shí)戰(zhàn)（MATLAB版·第2版）》可作為人工智能、電子信息、計(jì)算機(jī)科學(xué)相關(guān)專業(yè)的本科生,研究生的教材,也可作為本科畢業(yè)設(shè)計(jì)、研究生學(xué)術(shù)論文的參考資料,還可作為相關(guān)工程技術(shù)人員的參考資料。"
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版)深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版) 前言
自《深度學(xué)習(xí)理論及實(shí)戰(zhàn)》（MATLAB版）出版至今已有3年多的時(shí)間，感謝讀者朋友們的厚愛，先后4次加印，并有多所高校將其作為教材； 同時(shí)，也非常感謝讀者朋友們的寶貴建議。
趙小川
2024年11月20日于北京
近年來，以深度學(xué)習(xí)為代表的人工智能技術(shù)發(fā)展得如火如荼，正在改變著人們生活的方方面面。與傳統(tǒng)的機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)的理論更深、技術(shù)更難。本書力圖做到深入淺出，盡量用通俗易懂的語言、實(shí)用生動的案例把理論與方法講清楚、說明白。
深度學(xué)習(xí)理論及實(shí)戰(zhàn)(MATLAB版·第2版) 目錄
第1章從“機(jī)器學(xué)習(xí)”講起
1.1走近“機(jī)器學(xué)習(xí)”
1.1.1什么是“機(jī)器學(xué)習(xí)”
1.1.2機(jī)器學(xué)習(xí)的主要任務(wù)
1.1.3機(jī)器學(xué)習(xí)的分類
1.1.4什么是“深度學(xué)習(xí)”
1.1.5機(jī)器學(xué)習(xí)的應(yīng)用舉例
經(jīng)驗(yàn)分享： 對“智能”的理解
擴(kuò)展閱讀： “人工智能”的發(fā)展
擴(kuò)展閱讀： “人工智能”的*新發(fā)展——生成式AI大模型
1.2解讀“機(jī)器學(xué)習(xí)的過程”
1.2.1機(jī)器學(xué)習(xí)的過程
1.2.2機(jī)器學(xué)習(xí)中的數(shù)據(jù)集
1.2.3過擬合與欠擬合
經(jīng)驗(yàn)分享： “機(jī)器學(xué)習(xí)”與“雕刻時(shí)光”
經(jīng)驗(yàn)分享： 如何解決機(jī)器學(xué)習(xí)中的“過猶不及”
1.3典型的機(jī)器學(xué)習(xí)算法——SVM
1.3.1“支持向量機(jī)”名字的由來
1.3.2SVM分類器的形式
1.3.3如何找到*佳分類線
1.3.4基于SVM的多分類問題
1.4思考與練習(xí)
第2章解析“人工神經(jīng)網(wǎng)絡(luò)”
2.1神經(jīng)元——人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)
2.1.1生物神經(jīng)元
2.1.2人工神經(jīng)元
2.1.3激活函數(shù)
2.2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及工作原理
2.2.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成
2.2.2神經(jīng)網(wǎng)絡(luò)的工作原理
2.2.3一些常見的概念
擴(kuò)展閱讀： 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史
經(jīng)驗(yàn)分享： 從仿生學(xué)的角度看神經(jīng)網(wǎng)絡(luò)的局限性
2.3從數(shù)學(xué)角度來認(rèn)識神經(jīng)網(wǎng)絡(luò)
2.3.1本書中采用的符號及含義
2.3.2神經(jīng)元的激活
2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)
2.3.4尋找損失函數(shù)*小值——梯度下降法
2.3.5誤差反向傳播
2.3.6基于誤差反向傳播的參數(shù)更新流程
經(jīng)驗(yàn)分享： 形象地理解梯度下降法
擴(kuò)展閱讀： 隨機(jī)梯度下降優(yōu)化算法
經(jīng)驗(yàn)分享： 形象地理解反向傳播算法
2.4如何基于神經(jīng)網(wǎng)絡(luò)進(jìn)行分類
2.4.1基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)二分類
2.4.2基于神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)多分類
擴(kuò)展閱讀： 交叉熵
2.5思考與練習(xí)
第3章探索“卷積神經(jīng)網(wǎng)絡(luò)”
3.1深入淺出話“卷積”
3.1.1卷積的運(yùn)算過程
3.1.2卷積核對輸出結(jié)果的影響
3.1.3卷積運(yùn)算在圖像特征提取中的應(yīng)用
擴(kuò)展閱讀： 數(shù)字圖像處理的基礎(chǔ)知識
編程體驗(yàn)1： 讀入一幅數(shù)字圖像并顯示
編程體驗(yàn)2： 基于MATLAB實(shí)現(xiàn)二維圖像的滑動卷積
3.2解析“卷積神經(jīng)網(wǎng)絡(luò)”
3.2.1從ImageNet 挑戰(zhàn)賽說起
3.2.2卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.2.3卷積層的工作原理
3.2.4非線性激活函數(shù)的工作原理
3.2.5池化層的工作原理
3.2.6卷積神經(jīng)網(wǎng)絡(luò)與全連接神經(jīng)網(wǎng)絡(luò)的區(qū)別
3.2.7從仿生學(xué)角度看卷積神經(jīng)網(wǎng)絡(luò)
擴(kuò)展閱讀： 創(chuàng)建ImageNet挑戰(zhàn)賽初衷
3.3從數(shù)學(xué)的角度看卷積神經(jīng)網(wǎng)絡(luò)
3.3.1本書中采用的符號及含義
3.3.2從數(shù)學(xué)角度看卷積神經(jīng)網(wǎng)絡(luò)的工作過程
3.3.3如何求代價(jià)函數(shù)
3.3.4采用誤差反向傳播法確定卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)
3.4認(rèn)識經(jīng)典的“卷積神經(jīng)網(wǎng)絡(luò)”
3.4.1解析LeNet5卷積神經(jīng)網(wǎng)絡(luò)
3.4.2具有里程碑意義的AlexNet
3.4.3VGG16卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)
3.4.4卷積神經(jīng)網(wǎng)絡(luò)為何會迅猛發(fā)展
3.5思考與練習(xí)
第4章基于MATLAB深度學(xué)習(xí)工具箱的實(shí)現(xiàn)與調(diào)試
4.1構(gòu)造一個(gè)用于分類的卷積神經(jīng)網(wǎng)絡(luò)
4.1.1實(shí)例需求
4.1.2開發(fā)環(huán)境
4.1.3開發(fā)步驟
4.1.4常用的構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)的函數(shù)
4.1.5構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)
4.1.6程序?qū)崿F(xiàn)
擴(kuò)展閱讀： 批量歸一化層的作用
歸納總結(jié)： 深度神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中常見超參的含義
編程體驗(yàn)： 改變卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
4.2訓(xùn)練一個(gè)用于預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)
4.2.1實(shí)例需求
4.2.2開發(fā)步驟
4.2.3構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
4.2.4訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.2.5程序?qū)崿F(xiàn)
擴(kuò)展閱讀1： 設(shè)置學(xué)習(xí)率的經(jīng)驗(yàn)與技巧
擴(kuò)展閱讀2： 隨機(jī)失活方法(dropout)的作用
擴(kuò)展閱讀3： 小批量方法（minibatch）的作用
編程體驗(yàn)： 改變網(wǎng)絡(luò)訓(xùn)練配置參數(shù)
4.3采用遷移學(xué)習(xí)進(jìn)行物體識別
4.3.1站在巨人的肩膀上——遷移學(xué)習(xí)
4.3.2實(shí)例需求
4.3.3開發(fā)步驟
4.3.4可直接加載的網(wǎng)絡(luò)及方法
4.3.5如何對網(wǎng)絡(luò)結(jié)構(gòu)和樣本進(jìn)行微調(diào)
4.3.6函數(shù)解析
4.3.7程序?qū)崿F(xiàn)及運(yùn)行效果
擴(kuò)展閱讀： 多角度看“遷移學(xué)習(xí)”
經(jīng)驗(yàn)分享： “遷移學(xué)習(xí)”中的微調(diào)技術(shù)
4.4采用深度網(wǎng)絡(luò)設(shè)計(jì)器實(shí)現(xiàn)卷積網(wǎng)絡(luò)設(shè)計(jì)
4.4.1什么是深度網(wǎng)絡(luò)設(shè)計(jì)器
4.4.2如何打開深度網(wǎng)絡(luò)設(shè)計(jì)器
4.4.3需求實(shí)例
4.4.4在深度網(wǎng)絡(luò)設(shè)計(jì)器中構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
4.4.5對網(wǎng)絡(luò)進(jìn)行訓(xùn)練與驗(yàn)證
4.4.6深度網(wǎng)絡(luò)設(shè)計(jì)器的檢驗(yàn)功能
4.5采用深度網(wǎng)絡(luò)設(shè)計(jì)器實(shí)現(xiàn)遷移學(xué)習(xí)
4.5.1基于深度網(wǎng)絡(luò)設(shè)計(jì)器的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整
4.5.2對網(wǎng)絡(luò)進(jìn)行訓(xùn)練
4.6如何顯示、分析卷積神經(jīng)網(wǎng)絡(luò)
4.6.1如何查看訓(xùn)練好的網(wǎng)絡(luò)的結(jié)構(gòu)和信息
4.6.2如何畫出深度網(wǎng)絡(luò)的結(jié)構(gòu)圖
4.6.3如何用analyzeNetwork函數(shù)查看與分析網(wǎng)絡(luò)
4.7如何加載深度學(xué)習(xí)工具箱可用的數(shù)據(jù)集
4.7.1如何加載MATLAB自帶的數(shù)據(jù)集
4.7.2如何加載自己制作的數(shù)據(jù)集
4.7.3如何加載網(wǎng)絡(luò)下載的數(shù)據(jù)集——以CIFAR10為例
4.7.4如何劃分訓(xùn)練集與驗(yàn)證集
編程體驗(yàn)： 基于CIFAR10數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.8如何構(gòu)造一個(gè)具有捷徑連接的卷積神經(jīng)網(wǎng)絡(luò)
4.8.1本節(jié)用到的函數(shù)
4.8.2實(shí)例需求
4.8.3創(chuàng)建含有捷徑連接的卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)步驟
4.8.4程序?qū)崿F(xiàn)
4.8.5對捷徑連接網(wǎng)絡(luò)進(jìn)行結(jié)構(gòu)檢查
編程體驗(yàn)： 采用例程4.8.2所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分類
4.9思考與練習(xí)
第5章應(yīng)用案例深度解析
5.1基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類
5.1.1什么是圖像分類
5.1.2評價(jià)分類的指標(biāo)
5.1.3基于深度學(xué)習(xí)和數(shù)據(jù)驅(qū)動的圖像分類
5.1.4傳統(tǒng)的圖像分類與基于深度學(xué)習(xí)的圖像分類的區(qū)別
5.1.5基于AlexNet的圖像分類
5.1.6基于GoogLeNet的圖像分類
5.1.7基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類抗干擾性分析
擴(kuò)展閱讀： 計(jì)算機(jī)視覺的發(fā)展之路
編程體驗(yàn)： 體驗(yàn)GoogLeNet識別圖像的抗噪聲能力
擴(kuò)展閱讀： AI“隱身衣”
5.2基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的交通燈識別
5.2.1實(shí)例需求
5.2.2卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)
5.2.3加載交通燈數(shù)據(jù)集
5.2.4程序?qū)崿F(xiàn)
5.3融合卷積神經(jīng)網(wǎng)絡(luò)與支持向量機(jī)的圖像分類
5.3.1整體思路
5.3.2本節(jié)所用到的函數(shù)
5.3.3實(shí)現(xiàn)步驟與程序
編程體驗(yàn)： 基于AlexNet和SVM的圖像分類
5.4基于RCNN的交通標(biāo)志檢測
5.4.1目標(biāo)分類、檢測與分割
5.4.2目標(biāo)檢測及其難點(diǎn)問題
5.4.3RCNN目標(biāo)檢測算法的原理及實(shí)現(xiàn)過程
5.4.4實(shí)例需求
5.4.5實(shí)現(xiàn)步驟
5.4.6本節(jié)所用到的函數(shù)
5.4.7程序?qū)崿F(xiàn)
5.4.8基于AlexNet遷移學(xué)習(xí)的RCNN實(shí)現(xiàn)
5.4.9基于Image Labeler的RCNN目標(biāo)檢測器構(gòu)建
5.5基于Video Labeler與RCNN的車輛檢測
5.5.1實(shí)例需求
5.5.2實(shí)現(xiàn)步驟
5.6基于YOLO v4的車輛目標(biāo)檢測
5.6.1YOLO目標(biāo)檢測原理概述
5.6.2實(shí)例需求
5.6.3實(shí)現(xiàn)步驟
5.6.4本節(jié)所用到的函數(shù)
5.6.5程序?qū)崿F(xiàn)
5.7思考與練習(xí)
參考文獻(xiàn)
展開全部
書友推薦
- >
小考拉的故事-套裝共3冊
- >
伯納黛特,你要去哪(2021新版)
- >
中國歷史的瞬間
- >
朝聞道
- >
姑媽的寶刀
- >
人文閱讀與收藏·良友文學(xué)叢書:一天的工作
- >
巴金－再思錄
- >
我與地壇
本類暢銷
