實戰深度學習——原理、框架及套用

《實戰深度學習——原理、框架及套用》是清華大學出版社於2021年出版的書籍。

基本介紹

• 書名：實戰深度學習——原理、框架及套用
• 作者：鄧勁生 莊春華
• 出版社：清華大學出版社
• 出版時間：2021年1月1日
• 定價：45 元
• ISBN：9787302567073

內容簡介

本書系統全面地覆蓋了深度學習的主要原理、方法和套用實踐。介紹了深度學習的概念、主流工具及框架，分析了神經網路原理並實現，對卷積神經網路（CNN）、循環神經網路（RNN）和生成對抗網路（GAN）這些常用的深度學習模型進行了演練，在此基礎上展開基於深度學習的目標檢測、圖像分割、人臉識別、文本自動生成等熱門套用，為讀者提供了從理論學習到工程實踐的視圖。 本書適合高等學校計算機、軟體工程、人工智慧等本專科專業，也適合作為對實際使用深度學習感興趣的研究生、工程師和研究人員的學習資料。

目錄

第1章深度學習初識1

1.1什麼是深度學習1

1.1.1深度學習與機器學習的關係1

1.1.2深度學習與人工智慧的關係2

1.1.3深度學習的套用案例2

1.2機器學習初識4

1.2.1機器學習概述4

1.2.2機器學習的分支5

1.3神經網路初識8

1.3.1神經網路的來源8

1.3.2人工神經網路與神經元模型8

1.4本章小結9

思考題10

第2章深度學習主流工具及框架11

2.1開發環境的搭建及使用11

2.1.1下載及安裝Anaconda開發工具11

2.1.2Python庫的導入與添加13

2.1.3Anaconda命令簡介14

2.2深度學習的主要框架15

2.2.1TensorFlow概況16

2.2.2CPU版環境搭建與調用17

2.2.3GPU版環境搭建與調用19

2.2.4Keras的調用24

2.3本章小結25

思考題26

第3章神經網路的原理及實現27

3.1數學基礎27

3.1.1張量27

3.1.2導數28

3.2神經網路模型及結構29

3.2.1MP神經元模型30

3.2.2感知機31

3.2.3前向傳播32

3.2.4反向傳播34

3.3激活函式35

3.3.1Sigmoid函式35

3.3.2Tanh函式36

3.3.3ReLU函式38

3.3.4Swish函式39

3.4損失函式40

3.4.1均值平方差40

3.4.2交叉熵41

3.5最佳化方法: 梯度下降41

3.5.1批量梯度下降42

3.5.2隨機梯度下降42

3.5.3小批量梯度下降42

3.6綜合案例: 搭建簡單的神經網路43

3.6.1基本功能函式43

3.6.2簡單神經網路的搭建44

3.6.3擬合函式可視化46

3.7本章小結48

思考題48

第4章卷積神經網路49

4.1卷積神經網路入門49

4.1.1卷積神經網路概述49

4.1.2卷積神經網路的結構50

4.2卷積運算52

4.2.1卷積函式53

4.2.2卷積實例54

4.3池化運算59

4.3.1池化函式60

4.3.2池化實例61

4.4綜合案例: 手寫數字識別65

4.4.1MNIST數據集初識65

4.4.2手寫數字識別模型構建和訓練67

4.5本章小結71

思考題72

第5章循環神經網路73

5.1循環神經網路入門73

5.1.1循環神經網路概述73

5.1.2序列數據74

5.1.3循環神經網路結構75

5.1.4梯度消失和梯度爆炸76

5.2長短期記憶網路——LSTM78

5.2.1長期依賴問題78

5.2.2長短期記憶網路結構79

5.3綜合案例: 語義情感分析83

5.4本章小結88

思考題88

第7章基於深度學習的目標檢測99

7.1目標檢測基礎99

7.1.1數據集99

7.1.2性能指標100

7.1.3錨點101

7.1.4錨框101

7.1.5非極大值抑制101

7.2傳統的目標檢測101

7.2.1ViolaJones102

7.2.2方向梯度直方圖103

7.2.3DPM105

7.2.4綜合案例: DPM行人檢測106

7.3結合候選區域和CNN分類的目標檢測框架110

7.3.1RCNN110

7.3.2SPPNET111

7.3.3Fast RCNN113

7.3.4Faster RCNN114

7.4回歸問題的端到端的目標檢測框架117

7.4.1YOLO117

7.4.2SSD118

7.4.3綜合案例: YOLO目標檢測118

7.5本章小結122

思考題122

第8章基於深度學習的圖像分割123

8.1基於圖論的方法123

8.1.1NormalizedCut124

8.1.2GraphCut124

8.1.3GrabCut125

8.1.4綜合案例: GrabCut前景提取126

8.2基於聚類的方法127

8.2.1K均值聚類128

8.2.2譜聚類128

8.2.3Meanshift129

8.2.4SLIC129

8.2.5聚類套用130

8.2.6綜合案例: SLIC分割超像素131

8.3基於深度語義的方法132

8.3.1FCN132

8.3.2DeepLab系列133

8.3.3PSPNet133

8.3.4UNet135

8.3.5SegNet135

8.3.6綜合案例: 細胞壁檢測136

8.4本章小結142

思考題142

第9章基於深度學習的人臉識別143

9.1訓練圖像數據採集143

9.1.1訓練圖像數據源143

9.1.2爬取圖像數據集144

9.2CNN人臉識別設計146

9.2.1CNN人臉識別設計方案146

9.2.2CNN圖像處理146

9.2.3圖像預處理148

9.3CNN模型搭建149

9.3.1搭建卷積層150

9.3.2搭建池化層150

9.3.3選取激活函式151

9.3.4選取最佳化器151

9.3.5自定義損失函式152

9.3.6設定參數調整學習效率152

9.3.7訓練CNN模型154

9.3.8模型保存載入與評估155

9.3.9模型測試156

9.4口罩佩戴識別增強157

9.5本章小結158

思考題158

第10章基於深度學習的文本自動生成159

10.1訓練文本數據採集159

10.1.1訓練文本數據源159

10.1.2訓練文本數據整理160

10.2LSTM五言律詩自動生成設計160

10.2.1文本預處理161

10.2.2文本數據標準化161

10.2.3LSTM模型搭建162

10.2.4訓練LSTM模型162

10.3測試LSTM模型163

10.3.1生成序列數據163

10.3.2定義採樣方法163

10.4本章小結166

思考題166

第11章深度學習展望167

11.1深度學習的探索方向167

11.1.1設計更好的深度學習框架167

11.1.2發現更好的網路模型167

11.2深度學習的套用場景展望168

11.2.1教育領域168

11.2.2金融領域168

11.2.3醫療領域168

11.2.4文藝領域169

11.2.5無人服務169

11.3本章小結169

參考文獻170