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

深度學習及加速技術(入門與實踐)/智能系統與技術叢書

  • 作者：編者:白創|責編:劉鋒
  • 出版社：機械工業
  • ISBN：9787111728719
  • 出版日期：2023/06/01
  • 裝幀：平裝
  • 頁數：199
人民幣：RMB 69 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書緊密圍繞深度學習及加速技術的基礎理論與應用案例展開敘述，實現了深度學習演算法設計與硬體加速技術的有機統一，是一本基礎理論與實踐案例相結合的實用圖書。其具體內容涉及人工智慧基本概念，神經網路數學基礎、神經網路基本結構與學習策略、反向傳播演算法數學原理與訓練機制等神經網路基礎理論，以及一些高級主題和實踐。
    本書可作為從事人工智慧領域演算法研究、架構設計與應用實現等工作的科研人員、工程師以及高等院校師生的參考書籍。
作者介紹
編者:白創|責編:劉鋒
    白創，男，博士，1983年生於陝西延安。現為長沙理工大學物理與電子科學學院、柔性電子材料基因工程湖南省重點實驗室講師、碩士生導師。主要研究方向為超大規模集成電路開發、機器視覺與模式識別技術研究，具體包括晶元指紋、安全密鑰生成、硬體防偽等安全領域晶元、射頻無線通信晶元的研究與設計，以及深度神經網路學習演算法、人臉識別技術等人工智慧領域技術研究。主持國家、省部級項目6項，在國內外專業學術刊物和會議上發表研究論文20余篇，獲得專利3項，編寫教材1部。
目錄
前言
理論篇
  第1章  人工智慧簡介
    1.1  人工智慧概念
      1.1.1  人工智慧定義
      1.1.2  人工智慧發展歷程
    1.2  人工智慧與深度學習
      1.2.1  人工智慧與深度學習之間的關係
      1.2.2  圖靈機與丘奇-圖靈論題
    1.3  人工智慧發展階段
      1.3.1  人工智慧1.0——知識＋演算法＋算力
      1.3.2  人工智慧2.0——數據＋演算法＋算力
      1.3.3  人工智慧3.0——知識＋數據＋演算法＋算力
      1.3.4  人工智慧4.0——存算一體化
    1.4  人工智慧應用
      1.4.1  工業零部件尺寸測量與缺陷檢測
      1.4.2  目標檢測與跟蹤
      1.4.3  人臉比對與識別
      1.4.4  三維影像重構
  第2章  神經網路數學基礎
    2.1  線性向量空間
    2.2  內積
    2.3  線性變換與矩陣表示
    2.4  梯度
  第3章  神經網路與學習規則
    3.1  神經元模型與網路結構
      3.1.1  神經元模型
      3.1.2  神經網路結構
    3.2  感知機學習
      3.2.1  感知機定義及結構
      3.2.2  感知機學習規則
    3.3  Hebb學習
      3.3.1  無監督Hebb學習
      3.3.2  有監督Hebb學習
    3.4  性能學習
      3.4.1  性能指數
      3.4.2  梯度下降法
      3.4.3  隨機梯度下降法
  第4章  反向傳播
    4.1  LMS演算法
    4.2  反向傳播演算法
      4.2.1  性能指數
      4.2.2  鏈式法則
      4.2.3  反向傳播計算敏感性
      4.2.4  反向傳播演算法總結
    4.3  反向傳播演算法變形
      4.3.1  批數據訓練法
      4.3.2  動量訓練法
      4.3.3  標準數值優化技術
    4.4  反向傳播演算法實例分析

  第5章  卷積神經網路
    5.1  卷積神經網路基礎
      5.1.1  全連接神經網路與卷積神經網路
      5.1.2  卷積神經網路組成結構
      5.1.3  卷積神經網路進化史
    5.2  LeNet
      5.2.1  LeNet結構
      5.2.2  LeNet特點
    5.3  AlexNet
      5.3.1  AlexNet結構
      5.3.2  AlexNet特點
    5.4  VGGNet
      5.4.1  VGG16結構
      5.4.2  VGG16特點
    5.5  GoogLeNet
      5.5.1  Inception結構
      5.5.2  GoogLeNet結構——基於Inception V1模塊
      5.5.3  GoogLeNet特點
    5.6  ResNet
      5.6.1  ResNet殘差塊結構
      5.6.2  ResNet結構
      5.6.3  ResNet特點
  第6章  目標檢測與識別
    6.1  R-CNN
      6.1.1  基於SS方法的候選區域選擇
      6.1.2  候選區域預處理
      6.1.3  CNN特徵提取
      6.1.4  SVM目標分類
      6.1.5  Bounding box回歸
    6.2  Fast R-CNN
      6.2.1  基於SS方法的候選區域生成
      6.2.2  CNN分類與回歸
      6.2.3  Fast R-CNN目標檢測演算法特點
    6.3  Faster R-CNN
      6.3.1  CNN特徵提取
      6.3.2  RPN候選框生成
      6.3.3  CNN分類與回歸
      6.3.4  Faster R-CNN目標檢測演算法特點
    6.4  YOLO
      6.4.1  YOLOv
      6.4.2  YOLOv
      6.4.3  YOLOv
  第7章  深度學習優化技術
    7.1  梯度消失
    7.2  過擬合
      7.2.1  增加訓練數據集
      7.2.2  regularization
      7.2.3  dropout技術
    7.3  初始值與學習速度
      7.3.1  初始值選擇規則

      7.3.2  可變的學習速度
    7.4  損失函數
      7.4.1  均方誤差損失函數
      7.4.2  cross-entropy損失函數
      7.4.3  log-likelyhood損失函數
  第8章  深度學習加速技術
    8.1  軟體模型優化技術
      8.1.1  網路模型優化
      8.1.2  計算精度降低
      8.1.3  網路剪枝技術
    8.2  GPU加速技術
    8.3  TPU加速技術
    8.4  FPGA加速技術
      8.4.1  全連接神經網路加速
      8.4.2  卷積神經網路加速
應用篇
  第9章  基於OpenCL的FPGA異構並行計算技術
  第10章  基於OpenCL的FPGA異構並行計算應用案例
  第11章  基於OpenVINO的FPGA深度學習加速技術
  第12章  基於OpenVINO的FPGA深度學習加速應用案例

  • 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