新書推薦:
《
恶的哲学研究(社会思想丛书)
》
售價:HK$
109.8
《
不止江湖
》
售價:HK$
101.2
《
天才留步!——从文艺复兴到新艺术运动(一本关于艺术天才的鲜活故事集,聚焦艺术史的高光时刻!)
》
售價:HK$
158.7
《
双城史
》
售價:HK$
110.9
《
冯友兰和青年谈心系列:不是问题的问题(哲学大师冯友兰和年轻人谈心,命运解读)
》
售價:HK$
57.3
《
月与蟹(青鲤文库)荣获第144届直木奖,天才推理作家经典作品全新译本。一部青春狂想曲,带你登上心理悬疑之巅。
》
售價:HK$
51.8
《
索恩丛书·盛清统治下的太监与皇帝
》
售價:HK$
88.5
《
透过器物看历史(全6册)
》
售價:HK$
503.7
編輯推薦:
从算法原理到编程实践,从基础知识到应用实战,案例丰富、类型广泛、图文并茂、步骤讲解、上手快速,配套资料全面,兼顾自学和教学用书。
內容簡介:
深度学习作为人工智能领域的排头兵,将在未来的新一轮产业升级中起到至关重要的作用。本书以理论+实践的形式帮助读者快速建立深度学习知识体系,不仅能在算法层面上理解各种神经网络模型,而且能借助功能强大且极易上手的Keras 框架,熟练地搭建和训练模型,应用于解决实际问题。
全书共12章,内容涵盖入门深度学习的绝大部分基础知识。第1章讲解如何搭建深度学习的编程环境,并简单回顾了学习深度学习必备的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3~9章全面讲解时下几种主流神经网络结构,包括多层感知机(MLP)、卷积神经网络(CNN)、循环神经网络(RNN)、
自动编码器(AE)、变分自动编码器(VAE)、对抗生成网络(GAN)等。第10~12章着重介绍时下主流的几类深度学习应用,包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践,本书都从易到难、循序渐进地讲解,并配合简单轻松的实例帮助读者加深印象。
本书不仅适合需要在工作中应用深度学习技术的专业人员,而且适合具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生,本书也是一本不错的参考读物。
關於作者:
李易
毕业于世界著名学府美国宾夕法尼亚大学,擅长 Python、C 等主流编程语言与 AI 视觉处理。在校期间曾在世界知名的 Haim Bau 教授实验室参与基于 AI 图像算法的寨卡(Zika)病毒识别、HSV(单纯疱疹病毒)检测等多个研究项目。目前就职于汽车行业供应商瑞典 Syntronic 公司,带领团队研发基于 AI 技术与商用 5G 车联网的车内生命检测系统。
目錄 :
前言
如何获取学习资源
第1章 深度学习入门
1.1 Keras的介绍与安装 13
1.2 学习深度学习需要具备的数学基础知识 16
第2章 回归算法
2.1 线性回归 31
2.2 多元线性回归 39
2.3 逻辑回归 42
第3章 神经网络入门
3.1 简单神经网络的基本结构 50
3.2 正向传播 51
3.3 激活函数 53
3.4 MLP的反向传播与求导 55
3.5 MLP的损失函数 59
3.6 权重初始化 62
3.7 案例:黑白手写数字识别 64
第4章 神经网络进阶如何提高性能
4.1 欠拟合和过拟合问题 69
4.2 模型诊断与误差分析 71
4.3 避免过拟合的良药正则化 73
4.4 优化算法 76
4.4.1 基于梯度下降法的优化算法 76
4.4.2 进阶优化算法 78
4.5 其他优化性能的方法 81
4.6 模型训练的检查清单 83
第5章 卷积神经网络
5.1 CNN的构想来源 86
5.2 卷积层 88
5.3 滤波器 89
5.3.1 滤波器的运算规则 89
5.3.2 滤波器的作用 91
5.3.3 填充和步长 95
5.4 彩色图像输入 98
5.5 反向传播 101
5.6 池化层 103
5.7 CNN案例 104
5.7.1 黑白手写数字识别 104
5.7.2 彩色图像分类 107
第6章 循环神经网络
6.1 RNN的基本结构 115
6.2 RNN的正向传播 118
6.3 RNN的反向传播 120
6.4 简单的RNN案例 122
6.5 训练RNN时的问题与解决方案 129
6.5.1 梯度爆炸和梯度消失 130
6.5.2 梯度问题的解决方案 132
6.6 解决长期依赖问题的良药GRU和LSTM 133
6.6.1 GRU 134
6.6.2 LSTM 138
6.7 RNN案例:影评分析 142
6.7.1 准备知识词嵌入 142
6.7.2 代码解析 144
第7章 自动编码器
7.1 AE的结构 149
7.2 重构损失 151
7.3 简单的AE案例 153
7.4 Sparse AE 155
7.5 去噪自动编码器 157
7.6 上色器 160
第8章 变分自动编码器
8.1 VAE的结构 171
8.2 对VAE的深层理解 174
8.3 损失函数 175
8.4 重参数技巧 180
8.5 VAE案例 181
第9章 对抗生成网络
9.1 GAN的基本结构 191
9.2 GAN的训练 192
9.3 GAN的数学原理 195
9.4 GAN案例:DCGAN 198
第10章 AI的眼睛Ⅰ基于CNN的图像识别
10.1 VGGNet 209
10.2 Inception 214
10.3 ResNet 220
10.4 迁移学习 226
第11章 AI的眼睛Ⅱ基于CNN的目标检测
11.1 R-CNN 232
11.2 Fast R-CNN 241
11.3 Faster R-CNN 243
11.4 YOLO算法 246
第12章 循环神经网络的进阶算法
12.1 BRNN 250
12.2 Encoder-Decoder 255
12.3 注意力机制 257
內容試閱 :
随着现代化计算机科学的发展以及计算机运算能力的提升,人工智能得以高速发展并迅速走进我们的生活和工作之中。而深度学习作为人工智能领域的排头兵,经过十多年的发展,已经能够出色地完成非常复杂的工作,并将在未来新一轮的产业升级中起到至关重要的作用。本书从基础理论和编程实践两方面展开论述,带领读者在算法层面上理解各种神经网络模型,并借助Keras框架搭建和训练模型,应用于解决实际问题。
全书共12章。第1章讲解如何搭建深度学习的编程环境,并简单回顾了学习深度学习必备的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3~9章全面讲解时下几种主流的神经网络结构,包括多层感知机(MLP)、卷积神经网络(CNN)、循环神经网络(RNN)、自动编码器(AE)、变分自动编码器(VAE)、对抗生成网络(GNN)等。第10~12章着重介绍时下几类主流的深度学习应用,包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践,本书都从易到难、循序渐进地讲解,并配合简单轻松的实例帮助读者加深印象。
本书定位为一本深度学习入门教程,旨在帮助读者快速建立深度学习知识体系,并使读者能通过训练简单的神经网络模型来解决实际问题。对于希望在深度学习这门学科上深耕细作、更上一层楼的读者,笔者建议选定自己感兴趣的方向(如计算机图像处理、自然语言处理、强化学习等),通过阅读论文及勤写代码来全面提升自己的水平。
本书不仅适用于需要在工作中应用深度学习技术的专业人员,而且适用于具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生,本书也是一本不错的参考读物。