《深度學習原理與套用》是2021年電子工業出版社出版書籍，作者是周中元。
基本介紹
- 中文名：深度學習原理與套用
- 作者：周中元
- 出版社：電子工業出版社
- 出版時間：2021年3月
- 頁數：288 頁
- 定價：98 元
- 開本：16 開
- ISBN：9787121404214
內容簡介,圖書目錄,
內容簡介
本書系統性地介紹了深度學習的原理、關鍵技術及相關套用，首先從基本概念、必備的線性代數、微積分、機率統計等數學知識等入手，這些預備知識可幫助讀者更好地理解深度學習技術。接著對深度學習方法和技術進行了詳細介紹，包括卷積神經網路、反饋神經網路、循環神經網路、生成對抗網路等，針對每個技術都力圖用簡單易懂的語言、詳盡的公式推導說明和生動的圖形展示知識點，並附上套用樣例，便於讀者將概念、原理、公式和套用融會貫通。本書還考慮到初學者儘快入門的需求，對深度學習開發工具和處理技巧進行了細緻的梳理和總結。最後本書對深度學習套用前景、發展趨勢、未來研究趨勢等進行了分析，具有一定前瞻性。本書涵蓋了大量深度學習的技術細節，適用於不同層次的讀者。
圖書目錄
第1章 深度學習概述 1
1.1 什麼是深度學習 1
1.2 為什麼會出現深度學習 6
1.3 深度學習方法的分類 8
1.4 人工神經網路的發展簡史 9
思考題 15
第2章 必備的數學知識 16
2.1 線性代數 16
2.1.1 矩陣 16
2.1.2 向量 21
2.2 微積分 22
2.2.1 微分 22
2.2.2 積分 26
2.3 機率統計 27
2.3.1 隨機事件 27
2.3.2 機率的定義 28
2.3.3 條件機率和貝葉斯公式 28
2.3.4 常用機率模型 29
2.3.5 隨機變數與機率分布 30
2.3.6 隨機變數的數字特徵 31
2.3.7 典型的機率分布 33
2.3.8 統計與機率 36
2.3.9 樣本與總體 37
2.3.10 統計量與抽樣分布 37
2.3.11 參數估計 38
第3章 神經網路 40
3.1 生物神經元 40
3.2 M-P模型 41
3.3 前饋神經網路 42
3.4 感知器 43
3.4.1 單層感知器 43
3.4.2 多層感知器 45
3.5 神經網路的學習 46
3.5.1 數據驅動 46
3.5.2 損失函式 47
3.5.3 激活函式 50
3.5.4 似然函式 55
3.5.5 梯度與梯度下降法 58
3.5.6 學習率 61
3.5.7 學習規則 62
3.6 誤差反向傳播算法 63
3.7 隨機梯度下降法 69
3.8 神經網路學習算法的基本步驟 70
思考題 71
第4章 卷積神經網路 72
4.1 卷積神經網路的結構 72
4.2 輸入層 76
4.3 卷積層 76
4.4 池化層 82
4.5 全連線層 84
4.6 輸出層 84
4.7 卷積神經網路的訓練方法 85
4.8 卷積神經網路的可視化 88
4.8.1 特徵圖可視化 88
4.8.2 卷積核可視化 94
4.8.3 類激活圖可視化 97
4.8.4 可視化工具（Deep Visualization Toolbox） 98
4.9 典型的卷積神經網路 99
4.9.1 LeNet神經網路 99
4.9.2 AlexNet 103
4.9.3 VGGNet 104
4.9.4 GoogLeNet 106
4.9.5 ResNet 108
4.9.6 基於AlexNet的人臉識別 108
思考題 118
第5章 反饋神經網路 119
5.1 Hopfield神經網路 119
5.2 離散型Hopfield神經網路 121
5.2.1 離散型Hopfield神經網路的結構 121
5.2.2 離散型Hopfield神經網路的狀態變化規律 122
5.2.3 離散型Hopfield神經網路的穩態判別函式 123
5.2.4 離散型Hopfield神經網路的聯想記憶 126
5.2.5 離散型Hopfield神經網路的模式識別例子 127
5.2.6 離散型Hopfield神經網路的權重設定 128
5.2.7 離散型Hopfield神經網路的不足 130
5.3 連續型Hopfield神經網路 131
5.3.1 連續型Hopfield神經網路結構及其穩定性分析 131
5.3.2 連續型Hopfield神經網路解決旅行商問題 133
5.4 玻爾茲曼機 135
5.3 受限玻爾茲曼機 141
5.4 對比散度算法 146
5.5 深度信念網路 148
思考題 150
第6章 自編碼器 151
6.1 自編碼器 151
6.2 降噪自編碼器 153
6.3 稀疏自編碼器 155
6.4 棧式自編碼器 156
6.5 變分自編碼器 158
思考題 161
第7章 循環神經網路 162
7.1 循環神經網路概述 162
7.2 隱馬爾可夫鏈 163
7.3 循環神經網路架構 164
7.4 LSTM 166
7.4.1 基於LSTM預測彩票 170
7.4.2 基於LSTM生成古詩詞 180
思考題 188
第8章 生成對抗網路 189
8.1 生成對抗網路概述 189
8.2 生成對抗網路 190
8.3 條件生成對抗網路 193
8.4 深度對抗生成網路 195
8.5 基於DCGAN生成人臉圖片 196
8.5.1 準備數據集 196
8.5.2 構建模型 197
思考題 204
第9章 學習有關的處理技巧 205
9.1 訓練樣本 205
9.2 數據預處理 206
9.3 Dropout與DropConnect 209
9.4 正則化 212
9.5 權重的初值設定 213
思考題 214
第10章 深度學習開發工具 215
10.1 TensorFlow 215
10.1.1 安裝TensorFlow 216
10.1.2 TensorFlow運行環境 217
10.1.3 TensorFlow基本要素 218
10.1.4 TensorFlow運行原理 219
10.1.5 TensorFlow編程識別手寫數字實例 221
10.1.6 TensorBoard可視化工具 225
10.2 Caffe 226
10.2.1 Caffe的安裝 228
10.2.2 Caffe的套用實例 231
思考題 232
第11章 自動化機器學習 233
11.1 AutoML簡介 234
11.2 AutoML與傳統方法的對比 234
11.3 現有AutoML平台產品 235
11.3.1 谷歌Cloud AutoML 235
11.3.2 百度EasyDL 235
11.3.3 阿里雲PAI 238
第12章 深度學習的未來 242
12.1 物體識別 242
12.2 物體檢測 243
12.3 圖像分割 251
12.4 回歸問題 253
12.4.1 人體姿態估計 253
12.4.2 面部器官檢測 255
12.5 圖像標註生成 255
12.6 圖像風格變換 257
12.7 自動駕駛 258
12.8 強化學習 259
12.9 深度學習的最新套用 260
12.9.1 AlphaGo圍棋機器人 260
12.9.2 人機對話 262
12.9.3 視頻換臉 263
12.9.4 無人機自動控制 265
12.9.5 機器人行動協同 267
12.9.6 醫療自動診斷 269
12.10 深度學習的發展趨勢分析 271
12.10.1 深度學習技術現狀 271
12.10.2 深度學習發展趨勢 271
參考答案 273
參考文獻 277
