科技 类型
可以朗读 语音朗读
95千字 字数
2023-05-01 发行日期
展开全部

主编推荐语

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。

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
展开全部

评分及书评

评分不足
1个评分

出版方

电子工业出版社

电子工业出版社成立于1982年10月，是国务院独资、工信部直属的中央级科技与教育出版社，是专业的信息技术知识集成和服务提供商。经过三十多年的建设与发展，已成为一家以科技和教育出版、期刊、网络、行业支撑服务、数字出版、软件研发、软科学研究、职业培训和教育为核心业务的现代知识服务集团。出版物内容涵盖了电子信息技术的各个分支及工业技术、经济管理、科普与少儿、社科人文等领域，综合出版能力位居全国出版行业前列。