深度學習基礎與套用

《深度學習基礎與套用》是2021年北京理工大學出版社出版的圖書，作者是武玉偉、梁瑋、裴明濤。

基本介紹

• 中文名：深度學習基礎與套用
• 作者：武玉偉、梁瑋、裴明濤
• 出版時間：2021年
• 出版社：北京理工大學出版社
• ISBN：9787568283731
• 類別：工學教材
• 開本：16 開
• 裝幀：平裝-膠訂

內容簡介

　　《深度學習基礎與套用》分四部分介紹深度學習算法模型及相關套用實例。分介紹在深度學習中的一些數學和機器學習的基礎知識。第二部分介紹卷積神經網路、循環神經網路、深度強化網路等經典模型，並對每種模型從原理、結構、最佳化等方面進行論述。第三部分介紹深度學習中常用的最佳化方法及訓練技巧。第四部分結合實踐來介紹深度學習在計算機視覺、模式識別中的套用。

　　《深度學習基礎與套用》同時兼顧理論和套用，有助於讀者理解基本理論知識，並將理論知識用於實際套用。

　　《深度學習基礎與套用》既可以作為高等院校計算機及相關專業的高年級本科生和研究生教材，也可供從事人工智慧相關領域的工程師和研究人員參考。

作者簡介

武玉偉，北京理工大學特別副研究員，博士生導師。博士畢業於北京理工大學。主要研究方向為計算機視覺、機器學習。在計算機科學國際重要刊物和國際學術會議發表論文30餘篇。博士論文獲“2016年中國人工智慧學會優秀博士學位論文提名獎”。

裴明濤，北京理工大學計算機學院副教授，博士生導師，主要研究方向為計算機視覺和人工智慧。在IEEE TIP、IEEE TMM、PR、CVIU等重要國際刊物和ICCV、AAAI、ICME等重要國際會議上發表學術論文60餘篇，獲國家發明專利6項，出版學術專著一部，作為負責人主持國家自然科學基金面上項目與國家973項目子課題等10多項科研項目，獲得省部級科技獎2項。

梁瑋，北京理工大學計算機學院副教授，博士生導師。2005年畢業於北京理工大學計算機學院，獲工學博士學位。2014—2015年在加州大學洛杉磯分校客座研究。主要研究方向為計算機視覺和智慧型人機互動。作為項目負責人主持國家自然科學基金兩項、北京市自然科學基金一項、“973計畫”子課題一項。在ICCV、IJCAI、AAAI、SIGGRAPH Asia、IEEE VR、TVCG等計算機視覺、人工智慧、計算機圖形學以及虛擬現實等多會議上和重要期刊上發表論文40餘篇。

吳心筱，北京理工大學副教授，博士生導師。2010年獲得北京理工大學博士學位。主要研究方向為計算機視覺、圖像視頻內容理解。在IJCV、IEEE TIP、IEEE TMM等重要國際刊物和AAAI、ICCV、CVPR、ECCV等國際會議上發表學術論文30餘篇。負責國家自然科學基金青年和面上項目、教育部博士點基金等項目。博士論文獲“2012年中國人工智慧學會優秀博士學位論文”榮譽。

圖書目錄

第1章 緒論

1．1 人工智慧

1．1．1 什麼是人工智慧

1．1．2 人工智慧的實現途徑

1．1．3 人工智慧發展簡史

1．2 深度學習

1．2．1 深度學習發展簡史

1．2．2 深度學習的主要套用

第2章 基礎知識

2．1 線性代數

2．1．1 線性代數基礎

2．1．2 矩陣的秩及矩陣運算

2．1．3 常見特殊矩陣

2．1．4 範數

2．1．5 特徵分解

2．1．6 奇異值分解

2．2 機率論

2．2．1 隨機變數

2．2．2 機率分布

2．2．3 隨機變數的數字特徵

2．2．4 貝葉斯定理

2．2．5 常用機率分布

2．3 化方法

2．3．1 梯度下降法

2．3．2 牛頓法

2．3．3 擬牛頓法

2．4 機器學習

2．4．1 基本概念

2．4．2 似然估計

2．4．3 機器學習的三要素

2．4．4 過擬合與欠擬合

2．4．5 學習方式

2．4．6 評估方法

2．4．7 性能度量

2．5 神經網路

2．5．1 神經元模型

2．5．2 單層感知器

2．5．3 多層感知器

第3章 深度卷積神經網路

3．1 卷積層和卷積運算

3．1．1 生物機理

3．1．2 卷積運算

3．2 池化層和池化運算

3．3 AlexNet卷積神經網路

3．3．1 AlexNet的提出背景

3．3．2 AlexNet的網路結構

3．3．3 AlexNet的訓練細節

3．3．4 AlexNet在分類任務上的表現

3．4 VGG網路

3．4．1 VGG網路的提出背景

3．4．2 VGG網路的結構配置

3．4．3 VGG網路的訓練細節

3．4．4 VGG網路在分類任務上的表現

3．5 ResNet卷積神經網路

3．5．1 ResNet的提出背景

3．5．2 ResNet的網路結構

3．5．3 ResNet的訓練細節

3．5．4 ResNet在分類任務上的表現

第4章 深度循環神經網路

4．1 簡單循環網路

4．1．1 簡單循環網路的前向傳播過程

4．1．2 簡單循環潮絡的訓練過程

4．1．3 單循環網路的長期依賴問題

4．2 長短期記憶網路

4．2．1 門機制

4．2．2 長短期記憶網路的前向傳播過

4．2．3 長短期記憶網路的訓練過程

4．2．4 長短期記憶網路的變體

4．3 神經圖靈機

4．3．1 網路結構

4．3．2 定址方式

4．3．3 控制器網路

4．3．4 小結

4．4 雙向循環網路和多層循環網路

4．4．1 雙向循環網路

4．4．2 多層循環網路

第5章 深度生成模型

5．1 變分自編碼器

5．1．1 預備知識

5．1．2 解碼器網路

5．1．3 編碼器網路

5．1．4 總體模型

5．1．5 訓練過程

5．2 生成對抗網路

5．2．1 基本思想

5．2．2 理論推導

5．2．3 訓練過程

5．2．4 生成對抗網路的變體

第6章 深度強化學習

6．1 強化學習定義

6．1．1 目標函式

6．1．2 值函式

6．1．3 Q函式

6．2 強化學習求解方法

6．2．1 動態規劃法

6．2．2 蒙特卡羅法

6．2．3 時序差分學習法

6．3 深度Q網路

6．4 策略梯度法

……

第7章 深度學習中的最佳化方法

第8章 深度學習中的訓練技巧

第9章 開源框架

第10章 深度學習在目標檢測中的套用

第11章 深度學習在目標跟蹤中的套用

第12章 深度學習在動作識別中的套用