《深入淺出人工神經網路》是2019年人民郵電出版社出版的圖書，作者是江永紅。
基本介紹
- 書名：深入淺出人工神經網路
- 作者：江永紅
- 出版社：人民郵電出版社
- ISBN：9787115506665
內容簡介,作者簡介,目錄,
內容簡介
作為一本講解人工神經網路原理的圖書，《深入淺出人工神經網路》旨在讓讀者在短的時間內對這些原理知識有一個清晰明了的認識和理解。
《深入淺出人工神經網路》總共分為3部分，總計9章。第1部分講解了人工神經網路的源頭—生物神經網路的基礎知識，第2部分講解了學習人工神經網路的數學知識，第3部分講解了幾種常見而典型的人工神經網路模型，比如感知器、多層感知器、徑向基函式神經網路、卷積神經網路、循環神經網路等。
《深入淺出人工神經網路》寫作風格簡潔明快，深入淺出，特別適合對人工神經網路/人工智慧感興趣的入門級讀者。本書只聚焦原理性知識的講解，不涉及編程實現，即使對程式編碼尚不熟悉的讀者也可以輕鬆閱讀理解。本書還可用作高等院校以及相關培訓機構的教學或參考用書。
作者簡介
江永紅博士，生於1965年，1981~1985年就讀於四川大學無線電電子學專業，獲學士學位；1985~1988年就讀於中國空間技術研究院通信與電子系統專業，獲碩士學位；1988~1992年就讀於西安電子科技大學通信與電子系統專業，獲博士學位，主要研究人工神經網路在模糊控制系統中的套用；1992~1995年於華南理工大學進行博士後研究工作，其間申請並主持了國家自然科學基金項目“基於神經網路的譜估計方法”。
20世紀90年代中後期，江永紅博士於紐西蘭梅西大學開設並講授人工神經網路課程。20世紀90年代末期，入職華為技術有限公司，長期從事技術研發及培訓工作，曾擔任華為HCIE面試主考官，以及華為ICT技術認證系列書籍的審稿人。
在他編寫的《HCNA網路技術學習指南》一書中，華為全球培訓與認證部部長這樣評價：“江永紅博士在華為工作近20年，現為華為技術專家，且之前於國內外高校從事過多年的教學工作，對於知識的學習及傳授方法有著深刻的領悟……”
江永紅博士目前為YESLAB講師，專門致力於人工神經網路、深度學習原理及套用的教學活動和知識普及工作。
目錄
第 1章 背景知識 1
1．1 什麼是智慧型 / 1
1．2 大腦與神經元 / 2
1．3 關於人工智慧/機器學習/神經網路/深度學習 / 7
第 2章 函式 10
2．1 函式的極限 / 10
2．2 函式的連續性 / 13
2．3 導數 / 14
2．4 凹凸性與拐點 / 21
2．5 極值與駐點 / 23
2．6 曲率 / 25
2．7 二元函式 / 27
第3章 梯度 34
3．1 矢量的概念 / 34
3．2 矢量的運算 / 35
3．3 矢量與坐標 / 37
3．4 方向角與方向餘弦 / 39
3．5 矢量的數量積 / 40
3．6 函式的梯度 / 42
第4章 矩陣 50
4．1 矩陣的概念及運算 / 50
4．2 矩陣的初等變換 / 54
4．3 矢量的矩陣表示法 / 57
4．4 矩陣的秩 / 58
4．5 矩陣的逆 / 63
4．6 從標量函式到矩陣函式 / 69
第5章 MCP模型及感知器（Perceptron） 80
5．1 MCP模型 / 80
5．2 模式識別初探 / 84
5．3 感知器 / 88
5．4 凸集與單層感知器 / 94
5．5 XOR問題 / 98
第6章 多層感知器（MLP） 100
6．1 縱向串接 / 100
6．2 MLP的基本架構 / 102
6．3 BP算法 / 108
6．4 梯度下降法 / 120
6．5 極小值問題 / 121
6．6 學習率 / 123
6．7 批量訓練 / 125
6．8 欠擬合與過擬合 / 127
6．9 容量 / 128
6．10 拓撲 / 130
6．11 收斂曲線 / 132
6．12 訓練樣本集 / 133
6．13 權值連線方式 / 135
第7章 徑向基函式神經網路（RBFNN） 137
7．1 插值的概念 / 137
7．2 RBF / 141
7．3 從精確插值到RBFNN / 148
7．4 Cover定理 / 151
7．5 空間分割問題 / 154
7．6 訓練策略 / 156
第8章 卷積神經網路（CNN） 157
8．1 卷積運算與相關運算 / 157
8．2 卷積核與特徵映射圖 / 188
8．3 CNN的一般結構 / 195
8．4 三種思想 / 207
8．5 邊界策略 / 209
8．6 池化 / 211
8．7 CNN網路實例 / 214
8．8 Hubel-Wiesel實驗 / 225
第9章 循環神經網路（RNN） 228
9．1 N-Gram模型 / 228
9．2 RNN示例 / 232
9．3 單向RNN / 237
9．4 BPTT算法 / 240
9．5 填空問題 / 255
9．6 雙向RNN / 263
9．7 梯度爆炸與梯度消失 / 265
9．8 LSTM / 269
結束語 278
