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

深度學習教程(工業和信息化部十四五規劃教材)

  • 作者：編者:楊小遠//劉建偉|責編:張中興//梁清//孫翠勤
  • 出版社：科學
  • ISBN：9787030760531
  • 出版日期：2023/09/01
  • 裝幀：平裝
  • 頁數：350
人民幣：RMB 98 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書兼顧深度學習的理論和應用，特彆強調大規模訓練應用案例，引導學生進入深度學習的前沿領域，主要內容有深度學習的核心理論問題：網路拓撲結構設計、網路參數初始化方法、大規模網路訓練的優化方法、正則化方法、激活函數的研究方法，書中引入深度學習在電腦視覺中的大型經典和前沿應用案例，包括圖像分類任務、目標檢測與跟蹤任務、多源遙感圖像融合任務、超解析度任務、圖像隱寫與圖像信息安全任務等內容。本書擁有豐富的數字化資源，掃描每章末二維碼即可觀看學習。
    本書可供從事深度學習領域的科研人員和研究生使用。也可作為進入深度學習前沿領域的基礎教材。
作者介紹
編者:楊小遠//劉建偉|責編:張中興//梁清//孫翠勤
目錄
前言
第1章  電腦視覺任務的基礎知識
  1.1  遙感圖像基礎知識
    1.1.1  遙感和遙感系統
    1.1.2  遙感圖像成像機制
    1.1.3  遙感圖像特徵
  1.2  遙感圖像融合基礎知識
    1.2.1  遙感圖像融合背景
    1.2.2  遙感圖像融合類型
    1.2.3  遙感圖像融合實現原理
  1.3  遙感圖像超解析度任務基礎知識
    1.3.1  遙感圖像超解析度背景
    1.3.2  遙感圖像超解析度實現原理
  1.4  目標檢測基礎知識
    1.4.1  目標檢測任務基本原理
    1.4.2  目標檢測任務常用評價指標及計算方法
  1.5  目標跟蹤基礎知識
  1.6  數據集
    1.6.1  圖像分類常用數據集
    1.6.2  目標檢測任務常用數據集
    1.6.3  目標跟蹤任務常用數據集和評價標準
    1.6.4  遙感圖像數據集
    1.6.5  圖像隱寫數據集
    1.6.6  人臉圖像數據集
  1.7  數字化資源
第2章  神經網路和卷積神經網路基礎
  2.1  神經元工作的數學表示
    2.1.1  神經元工作的數學表示
    2.1.2  神經元的一般化
  2.2  什麼是神經網路
    2.2.1  神經網路的結構
    2.2.2  神經網路的訓練
    2.2.3  神經網路的參數和變數
    2.2.4  神經網路的代價函數和參數訓練
  2.3  隨機梯度下降
  2.4  神經網路正則化初步
    2.4.1  模型選擇，欠擬合和過擬合
    2.4.2  權重衰減
    2.4.3  丟棄法
  2.5  卷積神經網路基礎
    2.5.1  卷積神經網路的基本思想
    2.5.2  卷積神經網路的數學表示
    2.5.3  卷積神經網路的誤差反向傳播
  2.6  殘差網路
  2.7  基於卷積神經網路的視覺注意力機制
    2.7.1  空間域注意力
    2.7.2  通道域注意力
    2.7.3  混合域注意力
  2.8  數字化資源
第3章  經典卷積神經網路結構

  3.1  手寫數字識別任務
  3.2  圖像分類任務
    3.2.1  圖像分類研究背景
    3.2.2  經典卷積神經網路結構：AlexNet
    3.2.3  經典卷積神經網路結構：ResNet
    3.2.4  經典卷積神經網路結構：GoogLeNet
  3.3  數字化資源
第4章  激活函數的研究
  4.1  激活函數的基本性質
    4.1.1  無激活函數的神經網路
    4.1.2  配備激活函數的神經網路
  4.2  激活函數的理論分析
    4.2.1  飽和激活函數
    4.2.2  梯度消失和梯度爆炸問題
  4.3  不可訓練的激活函數
    4.3.1  經典激活函數
    4.3.2  整流型激活函數
  4.4  可訓練的激活函數
    4.4.1  參數化標準激活函數
    4.4.2  集成化激活函數
  4.5  激活函數實驗分析
    4.5.1  CIFAR-10/100的實驗
    4.5.2  ImageNet的實驗
  4.6  數字化資源
第5章  深度學習的優化演算法
  5.1  優化演算法與深度學習
    5.1.1  優化演算法與深度學習的關係
    5.1.2  優化演算法在深度學習中的挑戰
  5.2  隨機梯度下降演算法
  5.3  動量法
    5.3.1  梯度下降的問題
    5.3.2  動量法
    5.3.3  指數加權移動平均
    5.3.4  從指數加權移動平均來理解動量法
    5.3.5  NAG演算法
  5.4  自適應梯度方法
    5.4.1  AdaGrad演算法
    5.4.2  RMSProp演算法
    5.4.3  AdaDelta演算法
    5.4.4  Adam演算法
    5.4.5  AdaMax演算法
  5.5  優化演算法實驗分析
    5.5.1  小型機翼雜訊回歸的實驗
    5.5.2  CIFAR-10的實驗
    5.5.3  ImageNet的實驗
  5.6  數字化資源
第6章  神經網路的正則化
  6.1  理論框架
  6.2  正則化方法
    6.2.1  批量歸一化

    6.2.2  權重衰減
    6.2.3  Dropout
    6.2.4  模型集成
    6.2.5  數據擴增
    6.2.6  提前終止
    6.2.7  標籤平滑
    6.2.8  多任務學習
    6.2.9  添加雜訊
  6.3  知識蒸餾技術
    6.3.1  知識蒸餾
    6.3.2  特徵蒸餾
    6.3.3  自蒸餾
  6.4  數字化資源
第7章  網路初始化方法
  7.1  預備知識
    7.1.1  常用隨機分佈
    7.1.2  隨機變數的性質
  7.2  Xavier初始化方法
  7.3  Kaiming初始化方法
  7.4  實驗分析
    7.4.1  Xavier初始化實驗
    7.4.2  Kaiming初始化實驗
  7.5  數字化資源
第8章  生成對抗網路基本原理
  8.1  生成對抗網路的基本介紹
    8.1.1  生成對抗網路的結構
    8.1.2  生成對抗網路的理論分析
    8.1.3  原始生成對抗網路
  8.2  生成對抗網路常見的模型結構
    8.2.1  條件生成對抗網路
    8.2.2  深度卷積生成對抗網路
    8.2.3  漸進式增長生成對抗網路
    8.2.4  對抗自編碼器
  8.3  生成對抗網路的訓練問題
    8.3.1  生成對抗網路存在的問題
    8.3.2  穩定訓練的策略
  8.4  基於Wasserstein距離的生成對抗網路
    8.4.1  Wasserstein距離
    8.4.2  基於Wasserstein距離的WGAN
  8.5  數字化資源
第9章  基於卷積神經網路的電腦視覺任務
  9.1  遙感圖像融合任務
    9.1.1  卷積神經網路與遙感圖像融合的關係
    9.1.2  遙感圖像融合評價方法與評價指標
    9.1.3  基於卷積神經網路的遙感圖像融合方法：PNN
    9.1.4  基於卷積神經網路的遙感圖像融合方法：PanNet
    9.1.5  基於卷積神經網路的遙感圖像融合方法：CLGF
  9.2  遙感圖像超解析度任務
    9.2.1  卷積神經網路與遙感圖像超解析度的關係
    9.2.2  遙感圖像超解析度評價方法與評價指標

    9.2.3  基於卷積神經網路的超解析度方法：SRCNN
    9.2.4  基於卷積神經網路的超解析度方法：ESRDNN
  9.3  基於卷積神經網路的目標檢測任務
    9.3.1  Two-Stage目標檢測演算法
    9.3.2  One-Stage目標檢測演算法
  9.4  基於卷積神經網路的目標跟蹤任務
  9.5  基於卷積神經網路的圖像隱寫任務
  9.6  數字化資源
第10章  生成對抗網路的應用
  10.1  基於生成對抗網路的信息安全任務
    10.1.1  基於生成對抗網路的圖像隱寫方法：HiDDeN
    10.1.2  基於生成對抗網路的信息加密方法：ANES
  10.2  基於生成對抗網路的電腦視覺任務
    10.2.1  基於生成對抗網路的超解析度方法：SRGAN
    10.2.2  基於生成對抗網路的遙感圖像融合方法：PSGAN
  10.3  數字化資源
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