《深度學習：原理、模型與實踐》是2021年人民郵電出版社出版的圖書。
基本介紹
- 中文名：深度學習：原理、模型與實踐
- 作者：鄧建華
- 類別：教材類圖書
- 出版社：人民郵電出版社
- 出版時間：2021年
- 開本：128 開
- 裝幀：平裝-膠訂
- ISBN：9787115565105
內容簡介,圖書目錄,作者簡介,
內容簡介
本書是深度學習領域的入門教材，闡述了深度學習的知識體系，涵蓋人工智慧的基礎知識以及深度學習的基本原理、模型、方法和實踐案例，使讀者掌握深度學習的相關知識，提高以深度學習方法解決實際問題的能力。全書內容包括人工智慧基礎、機器學習基礎、深度學習主要框架、深度神經網路、卷積神經網路、循環神經網路、自編碼器與生成對抗網路。
本書可作為高等院校人工智慧、計算機、自動化、電子和通信等相關專業的本科生或研究生教材，也可作為相關領域的研究人員和工程技術人員的參考書。
圖書目錄
01
人工智慧基礎
1.1 人工智慧概述 2
1.1.1 人工智慧的層次結構 2
1.1.2 人工智慧的典型事件 7
1.2 人工智慧數學基礎 9
1.2.1 矩陣及其運算 10
1.2.2 向量與向量空間 14
1.2.3 特徵值與特徵向量 16
1.2.4 奇異值分解 19
1.2.5 二次型 19
1.2.6 範數 20
1.2.7 導數與偏導數 21
1.2.8 方嚮導數與梯度 24
1.2.9 泰勒公式 26
1.2.10 函式的極值點 28
1.2.11 隨機變數與機率
分布 29
1.2.12 隨機變數的數字
特徵 32
1.3 本章小結 34
1.4 習題 34
02
機器學習基礎
2.1 機器學習概述 36
2.1.1 機器學習的定義 36
2.1.2 機器學習的分類 37
2.1.3 常用損失函式 39
2.2 分類與回歸 41
2.3 模型的評估 45
2.3.1 數據集的劃分方法 45
2.3.2 模型的評價指標 47
2.4 模型的選擇 50
2.4.1 欠擬合與過擬合 50
2.4.2 偏差與方差 51
2.4.3 正則化 52
2.5 本章小結 52
2.6 習題 53
03
深度學習主要框架
3.1 TensorFlow原理與套用 55
3.1.1 安裝與編譯 55
3.1.2 TensorFlow框架結構
分析 56
3.1.3 TensorFlow原理與方法 58
3.1.4 案例套用 64
3.2 其他框架 72
3.2.1 Keras 72
3.2.2 Caffe 74
3.2.3 PyTorch 75
3.2.4 其他框架 76
3.3 本章小結 76
3.4 習題 77
04
深度神經網路
4.1 深度神經網路概述 79
4.2 網路結構設計 80
4.2.1 架構設計 80
4.2.2 隱藏層 81
4.2.3 XOR的案例展示 82
4.3 前向傳播算法 82
4.4 反向傳播算法 84
4.4.1 梯度下降算法與學習率 85
4.4.2 反向傳播算法的優點 86
4.4.3 反向傳播相關計算公式 88
4.4.4 使用鏈式法則推導 90
4.5 常用的最佳化算法 91
4.5.1 隨機梯度下降算法和小批量
梯度下降算法 92
4.5.2 動量法 92
4.5.3 Adagrad算法 93
4.6 常用的正則化方法 94
4.6.1 範數懲罰法 94
4.6.2 稀疏表示法 95
4.6.3 其他方法 95
4.7 案例套用 96
4.8 本章小結 102
4.9 習題 102
05
卷積神經網路
5.1 卷積神經網路的發展歷程 104
5.2 卷積層 104
5.2.1 為什麼使用卷積 104
5.2.2 卷積運算 105
5.2.3 卷積核 106
5.2.4 填充和步長 108
5.2.5 激活函式 109
5.3 池化層 109
5.3.1 池化原理 110
5.3.2 池化方法 110
5.4 全連線層 110
5.5 經典的卷積神經網路結構 111
5.5.1 AlexNet 112
5.5.2 VGGNet 113
5.5.3 ResNet 116
5.5.4 YOLO 118
5.5.5 其他卷積神經網路結構 120
5.6 案例套用 120
5.6.1 案例內容 120
5.6.2 快速上手 121
5.6.3 如何訓練 121
5.7 本章小結 124
5.8 習題 124
06
循環神經網路
6.1 循環神經網路概述 126
6.2 簡單循環神經網路 128
6.3 雙向循環神經網路 129
6.4 基於編碼-解碼的序列到序列
結構 130
6.4.1 序列到序列結構 130
6.4.2 編碼-解碼結構 131
6.4.3 目標函式 132
6.4.4 注意力機制 133
6.5 訓練方法 134
6.6 長短期記憶網路 137
6.6.1 核心思想 137
6.6.2 網路結構 137
6.6.3 LSTM網路的訓練原理 140
6.6.4 相關變體 140
6.7 案例套用 140
6.8 本章小結 149
6.9 習題 149
07
自編碼器與生成對抗網路
7.1 自編碼器 151
7.1.1 自編碼器概述 151
7.1.2 欠完備自編碼器 151
7.1.3 正則自編碼器 152
7.1.4 卷積自編碼器 155
7.1.5 使用Keras實現簡單的
自編碼器 157
7.2 生成對抗網路 160
7.2.1 GAN概述 160
7.2.2 一般的GAN 160
7.2.3 CGAN 163
7.2.4 DCGAN 165
7.3 本章小結 168
7.4 習題 168
參考文獻 169
作者簡介
鄧建華，博士，副教授，於2014年獲得愛爾蘭都柏林理工大學博士學位，現為四川省千人計畫專家，四川省政府特聘專家，成都蓉漂人才專家，自然基金委評審專家，四川省科技廳評審專家,“成都高新區金熊貓人才獎”獲得者,電子科技大學教師。主要研究領域為人工智慧、圖像識別、無線通信等。主持國家自然科學基金2項、科技部重點研發計畫課題2項，愛爾蘭企業署基金、中央高校基礎研究基金、留學回國人員基金、智慧城市創新基金等項目30餘項，發表高水平期刊論文40餘篇，擔任IEEE transaction on Neural Networks and Learning Systems、Wireless personal communications等國際期刊審稿人，擔任IEEE ICSIP2017等國際會議主席。獲得四川省科技進步獎1項，教學成果獎2項，出版專著1部，教材2本，主持了省部級等教改項目20餘項，發表EI收錄教改論文10餘篇。
