幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

深度卷積神經網路原理與實踐

  • 作者：編者:周浦城//李從利//王勇//韋哲|責編:章海濤
  • 出版社：電子工業
  • ISBN：9787121396632
  • 出版日期：2020/10/01
  • 裝幀：平裝
  • 頁數：263
人民幣：RMB 62 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    深度學習是人工智慧與機器學習領域的重要研究分支，深度卷積神經網路是其核心內容之一。本書作為一本深度卷積神經網路方面的入門與提高書籍，目的是使讀者通過學習了解和掌握卷積神經網路的理論基礎與應用方法。全書共10章，分為三個部分：第1?3章為第一部分，主要介紹卷積神經網路基本理論；第4?5章為第二部分，概述卷積神經網路相關工具和框架；第三部分為第6?10章，介紹了數據集、數據處理及網路訓練知識，最後給出了卷積神經網路的三個典型應用實例。
    本書可作為高等學校人工智慧、電腦科學與技術、信息工程、自動化等專業高年級本科生或研究生深度學習相關課程的教材，也適合對卷積神經網路感興趣的研究人員和工程技術人員參考閱讀。
作者介紹
編者:周浦城//李從利//王勇//韋哲|責編:章海濤
目錄
第1章  機器學習基礎
  1.1  機器學習概述
    1.1.1  機器學習的概念
    1.1.2  機器學習的任務
    1.1.3  機器學習的發展簡史
    1.1.4  機器學習的典型應用
  1.2  機器學習策略
    1.2.1  有監督學習
    1.2.2  無監督學習
    1.2.3  半監督學習
    1.2.4  強化學習
  1.3  模型評估與選擇
    1.3.1  歸納偏好
    1.3.2  數據集劃分
    1.3.3  性能度量
    1.3.4  過擬合和欠擬合
  1.4  神經網路與深度學習
    1.4.1  生物神經元
    1.4.2  人工神經網路
    1.4.3  深度學習
  1.5  本章小結
第2章  卷積神經網路基本原理
  2.1  卷積神經網路概述
    2.1.1  卷積神經網路的發展
    2.1.2  卷積神經網路的基本原理與組成
  2.2  卷積層
    2.2.1  基本卷積運算
    2.2.2  卷積神經網路中的卷積運算
    2.2.3  卷積的作用
    2.2.4  卷積層及參數
    2.2.5  特殊卷積
  2.3  激活層
    2.3.1  激活函數簡述
    2.3.2  典型的激活函數
  2.4  池化層
    2.4.1  池化操作
    2.4.2  感受野
  2.5  全連接層
  2.6  目標函數
    2.6.1  常用的損失函數
    2.6.2  正則化項
  2.7  卷積神經網路的反向傳播
    2.7.1  全連接層的反向傳播
    2.7.2  池化層的反向傳播
    2.7.3  卷積層的反向傳播
    2.7.4  反向傳播實例
  2.8  本章小結
第3章  典型卷積神經網路結構
  3.1  LeNet
    3.1.1  LeNet網路結構

    3.1.2  LeNet主要特點
  3.2  AlexNet
    3.2.1  AlexNet網路結構
    3.2.2  AlexNet主要特點
  3.3  VGGNet
    3.3.1  VGGNet網路結構
    3.3.2  VGGNet主要特點
  3.4  GoogLeNet
    3.4.1  Inception v1與Inception v2
    3.4.2  Inception v3
    3.4.3  Inception v4
  3.5  ResNet
    3.5.1  殘差網路的動機
    3.5.2  ResNet網路結構
  3.6  其他網路結構
    3.6.1  DenseNet
    3.6.2  SPPNet
    3.6.3  SENet
    3.6.4  MobileNet
  3.7  本章小結
第4章  Python編程基礎
  4.1  Python語言簡介
    4.1.1  Python的發展簡史
    4.1.2  Python的主要特點
    4.1.3  Python的主要應用領域
  4.2  Python編程環境搭建
    4.2.1  Windows下的安裝
    4.2.2  Linux下的安裝
  4.3  Python程序設計
    4.3.1  編程規範
    4.3.2  變數與數據類型
    4.3.3  運算符與表達式
    4.3.4  結構化程序設計
    4.3.5  函數與模塊
    4.3.6  面向對象程序設計
  4.4  Python基礎工具庫
    4.4.1  NumPy
    4.4.2  Pandas
    4.4.3  Matplotlib
  4.5  本章小結
第5章  PyTorch基礎
  5.1  常見的深度學習框架簡介
    5.1.1  Caffe
    5.1.2  TensorFlow
    5.1.3  PyTorch
    5.1.4  其他框架
  5.2  PyTorch的下載與安裝
    5.2.1  Linux下的安裝
    5.2.2  Windows下的安裝
  5.3  PyTorch中的Tensor

    5.3.1  Tensor的數據類型
    5.3.2  Tensor的基本操作
    5.3.3  Tensor的基本運算
    5.3.4  Tensor的數據結構
  5.4  自動求導
    5.4.1  計算圖
    5.4.2  自動求導機制
  5.5  模型搭建和參數優化
    5.5.1  神經網路工具箱
    5.5.2  常用的神經網路層
    5.5.3  前饋神經網路搭建
    5.5.4  優化器
  5.6  PyTorch入門實戰
    5.6.1  手寫數字識別
    5.6.2  CIFAR-10數據分類
  5.7  本章小結
第6章  數據集與數據處理
  6.1  典型數據集及標注
    6.1.1  典型數據集
    6.1.2  數據標注
  6.2  數據預處理
    6.2.1  數據清洗
    6.2.2  數據採樣
    6.2.3  數據標準化
    6.2.4  數據集劃分
  6.3  數據增廣
    6.3.1  幾何變換
    6.3.2  顏色變換
    6.3.3  圖像降質
  6.4  PyTorch數據集處理實例
    6.4.1  相關模塊簡介
    6.4.2  PyTorch自帶數據集的使用
    6.4.3  Dataset類的繼承
    6.4.4  一般數據集處理
  6.5  本章小結
第7章  卷積神經網路的訓練
  7.1  網路超參數
    7.1.1  輸入圖像大小
    7.1.2  卷積層超參數
    7.1.3  池化層超參數
  7.2  網路的訓練
    7.2.1  參數初始化
    7.2.2  網路優化演算法與策略
    7.2.3  批量規一化
    7.2.4  學習率的設定
    7.2.5  訓練數據置亂
  7.3  圖像分類實例
    7.3.1  網路結構超參數比較
    7.3.2  不同優化演算法比較
  7.4  遷移學習與網路微調

    7.4.1  遷移AlexNet到貓狗數據集實例
    7.4.2  遷移VGG-19到瓜子數據集實例
  7.5  本章小結
第8章  圖像去噪
  8.1  圖像去噪基礎知識
    8.1.1  雜訊模型
    8.1.2  傳統圖像去噪方法
    8.1.3  去噪演算法設計與評價
  8.2  基於去噪自編碼器的圖像去噪
    8.2.1  自編碼器簡介
    8.2.2  MNIST數據集實驗
    8.2.3  Waterloo數據集實驗
  8.3  基於殘差學習的圖像去噪
    8.3.1  基本原理
    8.3.2  去噪實驗
    8.3.3  非高斯雜訊的去除
  8.4  本章小結
第9章  圖像修復
  9.1  圖像修復基礎知識
    9.1.1  圖像修復概念
    9.1.2  基於深度學習的圖像修復方法
  9.2  基於DCGAN的圖像修復
    9.2.1  生成式對抗網路
    9.2.2  手寫體生成實例
    9.2.3  基於DCGAN的人臉修復
  9.3  基於Context-Encoder的圖像修復
    9.3.1  Context-Encoder模型結構
    9.3.2  演算法與實驗
  9.4  本章小結
第10章  目標檢測
  10.1  目標檢測基礎知識
    10.1.1  傳統目標檢測方法
    10.1.2  基於卷積神經網路的目標檢測方法
    10.1.3  目標檢測評價指標
    10.1.4  目標檢測數據集
  10.2  兩階段目標檢測網路
    10.2.1  R-CNN
    10.2.2  Fast R-CNN
    10.2.3  Faster R-CNN
  10.3  單階段目標檢測網路
    10.3.1  YOLO
    10.3.2  SSD
  10.4  MMDetection檢測演算法庫
    10.4.1  MMDetection安裝
    10.4.2  模型的測試
    10.4.3  模型的訓練
    10.4.4  MMDetection演算法配置文件解析
    10.4.5  使用自己的數據集
  10.5  本章小結
參考文獻

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032