返回首页
苏宁会员
购物车 0
易付宝
手机苏宁

服务体验

店铺评分与同行业相比

用户评价:----

物流时效:----

售后服务:----

  • 服务承诺: 正品保障
  • 公司名称:
  • 所 在 地:

  • 正版新书]深度学习(高等学校信息技术类新方向新动能新形态系列
  • 全店均为全新正版书籍,欢迎选购!新疆西藏青海(可包挂刷).港澳台及海外地区bu bao快递
    • 作者: 徐立芳著 | 徐立芳编 | 徐立芳译 | 徐立芳绘
    • 出版社: 人民邮电出版社
    • 出版时间:2020-09-01
    送至
  • 由""直接销售和发货,并提供售后服务
  • 加入购物车 购买电子书
    服务

    看了又看

    商品预定流程:

    查看大图
    /
    ×

    苏宁商家

    商家:
    君凤文轩图书专营店
    联系:
    • 商品

    • 服务

    • 物流

    搜索店内商品

    商品分类

    商品参数
    • 作者: 徐立芳著| 徐立芳编| 徐立芳译| 徐立芳绘
    • 出版社:人民邮电出版社
    • 出版时间:2020-09-01
    • 版次:1
    • 印次:1
    • 字数:278000
    • 页数:176
    • 开本:16开
    • ISBN:9787115535337
    • 版权提供:人民邮电出版社
  • 作者: 徐立芳
  • 著: 徐立芳 译
  • 装帧: 平装
  • 印次: 1
  • 定价: 42
  • ISBN: 9787115535337
  • 出版社: 人民邮电出版社
  • 开本: 16开
  • 印刷时间: 暂无
  • 语种: 中文
  • 出版时间: 2020-09-01
  • 页数: 176
  • 外部编号: 庄村60173
  • 版次: 1
  • 成品尺寸: 暂无
  • 01绪论

    1.1机器学习与深度学习2

    1.2机器学习方法类型3

    1.3机器学习常见算法4

    1.4深度学习的前世今生6

    1.5深度学习的应用8

    1.6深度学习开源工具简介10

    1.6.1TensorFlow10

    1.6.2PyTorch10

    1.6.3CNTK10

    1.6.4Keras11

    1.6.5MXNet11

    1.6.6Caffe11

    1.6.7OpenAIGym11

    1.7本书主要学习内容12

    1.8本章小结13

    1.9习题13

    02神经网络与深度神经网络

    2.1神经元与感知器16

    2.1.1生物神经元与神经元模型16

    2.1.2感知器18

    2.2反向传播算法19

    2.2.1前馈计算19

    2.2.2反向传播20

    2.3神经网络的连接23

    2.3.1前馈神经网络23

    2.3.2反馈神经网络24

    2.3.3全局逼近网络和局部逼近网络24

    2.3.4自组织特征映射网络25

    2.3.5自适应共振理论ART模型25

    2.4深度神经网络与深度学习26

    2.5常用的函数模型28

    2.5.1激活函数28

    2.5.2损失函数30

    2.6本章小结32

    2.7习题32

    03卷积神经网络

    3.1大脑视觉皮层的信息分层处理机制34

    3.2感受野与权值共享35

    3.3卷积神经网络的层级结构和组成37

    3.3.1卷积层37

    3.3.2池化层38

    3.3.3全连接层38

    3.4卷积神经网络算法39

    3.4.1算法的训练39

    3.4.2LeNet-5模型40

    3.5网络的卷积层设计41

    3.5.1跨步卷积(Stride Convolution)42

    3.5.2零填充(Zero Padding)43

    3.5.3非共享卷积(Unshared Convolution)44

    3.5.4平铺卷积(Tiled Convolution)44

    3.6CNN的经典网络结构45

    3.6.1AlexNet45

    3.6.2VGGNet46

    3.6.3GoogLeNet46

    3.6.4ResNet48

    3.6.5DenseNet48

    3.7CNN用于人脸表情分类49

    3.7.1图像的预处理49

    3.7.2用于分类的CNN网络设计50

    3.7.3实验结果51

    3.8本章小结52

    3.9习题52

    04循环神经网络

    4.1循环神经网络54

    4.1.1循环神经元展开54

    4.1.2随时间反向传播算法57

    4.1.3梯度消失和梯度爆炸61

    4.2长短期记忆网络61

    4.2.1输入门、遗忘门和输出门62

    4.2.2LSTM模型62

    4.2.3LSTM的计算64

    4.3循环神经网络设计65

    4.3.1双向循环网络66

    4.3.2深度循环神经网络66

    4.3.3LSTM的变体67

    4.4循环神经网络的应用69

    4.5基于RNN的语言模型69

    4.6本章小结72

    4.7习题72

    05目标检测

    5.1基于候选区域的目标检测算法74

    5.1.1R-CNN算法75

    5.1.2SPP-NET算法75

    5.1.3FastR-CNN算法76

    5.1.4FasterR-CNN算法77

    5.1.5MaskR-CNN算法78

    5.2基于回归预测的目标检测算法79

    5.2.1SSD算法79

    5.2.2YOLO算法80

    5.2.3YOLOv2算法82

    5.2.4YOLOv3算法84

    5.3目标检测算法发展趋势85

    5.4人体行为检测86

    5.4.1网络超参数的选择86

    5.4.2模型的训练87

    5.4.3模型测试89

    5.5本章小结91

    5.6习题91

    06图像描述

    6.1图像描述方法94

    6.1.1模板方法与检索方法94

    6.1.2编码解码结构方法95

    6.2编码解码图像描述96

    6.2.1编码解码结构原理96

    6.2.2编码解码结构的图像描述模型97

    6.3注意力机制图像描述方法98

    6.3.1注意力机制原理98

    6.3.2注意力机制在图像描述中的应用100

    6.4图像描述示例103

    6.4.1图像描述的数据集103

    6.4.2生成图像描述104

    6.4.3图像描述代码解析106

    6.5图像描述应用前景110

    6.5.1图像检索110

    6.5.2人机交互110

    6.5.3智能监控111

    6.6本章小结111

    6.7习题111

    07生成对抗网络

    7.1生成式模型114

    7.1.1一个极具挑战的机器学习问题114

    7.1.2生成式模型分类115

    7.2生成对抗网络基本原理115

    7.2.1GAN的思想与基本形式115

    7.2.2GAN的优势与问题116

    7.3生成式对抗网络的设计117

    7.3.1条件生成式对抗网络117

    7.3.2拉普拉斯金字塔生成式对抗网络118

    7.3.3深度卷积生成式对抗网络120

    7.3.4Wasserstein GAN121

    7.4GAN的应用122

    7.4.1计算机视觉领域122

    7.4.2语言和语音领域124

    7.4.3半监督领域125

    7.5基于DCGAN的手写数字生成实例125

    7.6本章小结128

    7.7习题128

    08深度迁移学习

    8.1迁移学习130

    8.1.1迁移学习的分类130

    8.1.2迁移学习的形式化定义131

    8.1.3度量准则—距离和相似度131

    8.2深度网络的可迁移性132

    8.3深度网络的适配134

    8.3.1核心思想—数据分布自适应134

    8.3.2DDC方法134

    8.3.3DAN方法135

    8.4迁移学习的应用136

    8.5VGG迁移—识别花朵类型137

    8.6本章小结140

    8.7习题140

    09深度强化学习

    9.1强化学习142

    9.1.1奖励驱动行为思想142

    9.1.2强化学习的基本框架142

    9.1.3强化学习算法143

    9.2深度强化学习的突破与问题144

    9.3DRL算法—深度Q网络146

    9.4深度Q网络的变体148

    9.4.1深度双Q网络148

    9.4.2深度循环Q网络148

    9.4.3基于优先级回放的深度Q网络149

    9.4.4异步多步深度Q网络150

    9.4.5彩虹深度Q网络150

    9.5深度强化学习的应用151

    9.5.1机器人控制151

    9.5.2计算机视觉152

    9.5.3自然语言处理152

    9.5.4博弈论领域153

    9.6本章小结153

    9.7习题153

    附录1CNN用于人脸表情分类155

    附录2基于DCGAN的手写数字生成实例159

    附录3VGG迁移——识别花朵类型165

    附录4深度学习资源171

    参考文献175

    徐立芳,哈尔滨工程大学“模式识别与智能系统”工学博士,长期从事智能控制、工业自动化技术方面的教学,主要研究领域涉及智能系统、机器人、本体、进化计算、神经网络、电机控制等。哈尔滨工程大学工程训练中心(重量实验教学示范中心)电器技术实验室负责人。 莫宏伟,哈尔滨工程大学工学博士、教授,类脑计算与人工智能研究中心主任,全国高校人工智能与大数据创新联盟常务理事,黑龙江省高等教育学会人工智能教育专业委员会理事长。长期从事人工智能导论、原理与方法的课程教学工作,主要研究领域涉及类脑计算、自然计算、智能机器人、视觉智能与认知智能等。完成国家自然科学基金、国防科学技术预先研究基金等项目20余项,发表论文80余篇,出版专著6部、教材2部,授权发明8项。

    (1)本书以深度学习方法的实现与应用为导向,采用了原理、方法与案例相结合的由浅入深的组织方式,不同案例体现了深度学习不同方法的作用。
    (2)通过深度学习基本原理、方法及案例应用的学习,读者不但可以掌握机器学习、人工神经网络与深度学习的联系和相关知识,而且能够掌握深度学习的实际操作方法,满足人工智能专业技术人员对机器学习、人工神经网络、深度学习等基本技能的要求。
    (3)本书每章都围绕深度学习应该掌握的基本概念、方法与实现过程,提供了若干习题以供读者验证学习效果。

    售后保障

    最近浏览

    猜你喜欢

    该商品在当前城市正在进行 促销

    注:参加抢购将不再享受其他优惠活动

    x
    您已成功将商品加入收藏夹

    查看我的收藏夹

    确定

    非常抱歉,您前期未参加预订活动,
    无法支付尾款哦!

    关闭

    抱歉,您暂无任性付资格

    此时为正式期SUPER会员专享抢购期,普通会员暂不可抢购