展开全部

主编推荐语

高等院校自动化类新工科系列教材。

内容简介

大约在一百年前,电气化改变了交通运输行业、制造业、医疗行业、通信行业,如今AI带来了同样巨大的改变。AI的各个分支中发展为迅速的方向之一就是深度学习。

本书主要涉及以下内容:第1部分是神经网络的基础,学习如何建立神经网络,以及如何在数据上面训练它们。第2部分进行深度学习方面的实践,学习如何构建神经网络与超参数调试、正则化以及一些高级优化算法。第3部分学习卷积神经网络(CNN),以及如何搭建模型、有哪些经典模型。它经常被用于图像领域,此外目标检测、风格迁移等应用也将涉及。最后在第4部分学习序列模型,以及如何将它们应用于自然语言处理等任务。序列模型讲到的算法有循环神经网络(RNN)、长短期记忆网络(LSTM)、注意力机制。

通过以上内容的学习,读者可以入门深度学习领域并打下扎实基础,为后续了解和探索人工智能前沿科技做知识储备。

目录

  • 版权信息
  • 前言
  • 第1部分 神经网络和深度学习
  • 第1章 深度学习简介
  • 1.1 神经网络
  • 1.2 神经网络的监督学习应用
  • 1.3 为什么深度学习会兴起
  • 第2章 神经网络的编程基础
  • 2.1 二分类
  • 2.2 逻辑回归
  • 2.3 逻辑回归的代价函数
  • 2.4 梯度下降法
  • 2.5 计算图
  • 2.6 使用计算图求导数
  • 2.7 逻辑回归中的梯度下降
  • 2.8 m个样本的梯度下降
  • 2.9 向量化
  • 2.10 向量化逻辑回归
  • 2.11 向量化逻辑回归的输出
  • 2.12 Python中的广播
  • 2.13 numpy向量
  • 2.14 logistic损失函数的解释
  • 第3章 浅层神经网络
  • 3.1 神经网络概述
  • 3.2 神经网络的表示
  • 3.3 计算一个神经网络的输出
  • 3.4 多样本向量化
  • 3.5 激活函数
  • 3.6 激活函数的导数
  • 3.7 神经网络的梯度下降
  • 3.8 理解反向传播
  • 3.9 随机初始化
  • 第4章 深层神经网络
  • 4.1 深层神经网络概述
  • 4.2 前向传播和反向传播
  • 4.3 深层网络中矩阵的维数
  • 4.4 为什么使用深层表示
  • 4.5 超参数
  • 第2部分 改善深层神经网络:超参数调试、正则化以及优化
  • 第5章 深度学习的实践
  • 5.1 训练、验证、测试集
  • 5.2 偏差、方差
  • 5.3 机器学习基础
  • 5.4 正则化
  • 5.5 正则化如何降低过拟合
  • 5.6 dropout正则化
  • 5.7 理解dropout
  • 5.8 其他正则化方法
  • 5.9 归一化输入
  • 5.10 梯度消失/梯度爆炸
  • 5.11 梯度的数值逼近
  • 5.12 梯度检验
  • 第6章 优化算法
  • 6.1 mini-batch梯度下降
  • 6.2 理解mini-batch梯度下降法
  • 6.3 动量梯度下降法
  • 6.4 RMSprop
  • 6.5 Adam优化算法
  • 6.6 学习率衰减
  • 6.7 局部最优问题
  • 第7章 超参数调试、正则化
  • 7.1 调试处理
  • 7.2 超参数的合适范围
  • 7.3 归一化网络的激活函数
  • 7.4 将batch norm拟合进神经网络
  • 7.5 batch归一化分析
  • 7.6 softmax回归
  • 7.7 训练一个softmax分类器
  • 7.8 TensorFlow
  • 第3部分 卷积神经网络及应用
  • 第8章 卷积神经网络
  • 8.1 计算机视觉
  • 8.2 边缘检测示例
  • 8.3 边缘检测内容
  • 8.4 填充
  • 8.5 卷积步长
  • 8.6 三维卷积
  • 8.7 单层卷积网络
  • 8.8 简单卷积网络示例
  • 8.9 池化层
  • 8.10 卷积神经网络示例
  • 8.11 为什么使用卷积
  • 第9章 深度卷积网络:实例探究
  • 9.1 经典网络
  • 9.2 残差网络
  • 9.3 残差网络为什么有用
  • 9.4 网络中的1×1卷积
  • 9.5 谷歌Inception网络
  • 9.6 迁移学习
  • 9.7 数据增强
  • 第10章 目标检测
  • 10.1 目标定位
  • 10.2 特征点检测
  • 10.3 目标检测
  • 10.4 滑动窗口的卷积实现
  • 10.5 Bounding Box预测
  • 10.6 交并比
  • 10.7 非极大值抑制
  • 10.8 Anchor Boxes
  • 10.9 YOLO算法
  • 第11章 特殊应用:人脸识别和神经风格迁移
  • 11.1 One-Shot学习
  • 11.2 Siamese网络
  • 11.3 Triplet损失
  • 11.4 人脸验证与二分类
  • 11.5 神经风格迁移
  • 11.6 深度卷积网络学习什么
  • 11.7 代价函数
  • 11.8 内容代价函数
  • 11.9 风格代价函数
  • 11.10 一维到三维推广
  • 第4部分 序列模型
  • 第12章 循环序列模型
  • 12.1 为什么选择序列模型
  • 12.2 数学符号
  • 12.3 循环神经网络模型
  • 12.4 通过时间的反向传播
  • 12.5 不同类型的循环神经网络
  • 12.6 语言模型和序列生成
  • 12.7 对新序列采样
  • 12.8 循环神经网络的梯度消失
  • 12.9 GRU单元
  • 12.10 长短期记忆
  • 12.11 双向循环神经网络
  • 12.12 深层循环神经网络
  • 第13章 序列模型和注意力机制
  • 13.1 序列结构的各种序列
  • 13.2 选择最可能的句子
  • 13.3 集束搜索
  • 13.4 改进集束搜索
  • 13.5 集束搜索的误差分析
  • 13.6 注意力模型直观理解
  • 13.7 注意力模型
  • 附录
  • 附录A 深度学习符号指南
  • A.1 数据标记与上下标
  • A.2 神经网络模型
  • A.3 正向传播方程示例
  • A.4 通用激活公式
  • A.5 损失函数
  • A.6 深度学习图示
  • 附录B 线性代数
  • B.1 基础概念和符号
  • B.2 矩阵乘法
展开全部

评分及书评

尚无评分
目前还没人评分

出版方

机械工业出版社

机械工业出版社是全国优秀出版社,自1952年成立以来,坚持为科技、为教育服务,以向行业、向学校提供优质、权威的精神产品为宗旨,以“服务社会和人民群众需求,传播社会主义先进文化”为己任,产业结构不断完善,已由传统的图书出版向着图书、期刊、电子出版物、音像制品、电子商务一体化延伸,现已发展为多领域、多学科的大型综合性出版社,涉及机械、电工电子、汽车、计算机、经济管理、建筑、ELT、科普以及教材、教辅等领域。