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

深度學習演算法與實踐(高等學校電腦專業系列教材)

  • 作者：編者:郝曉莉//王昌利//侯亞麗//景輝|責編:龍啟銘
  • 出版社：清華大學
  • ISBN：9787302642688
  • 出版日期：2023/11/01
  • 裝幀：平裝
  • 頁數：314
人民幣：RMB 59 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    本書是一本深度學習從入門、演算法到應用實踐的書籍。全書共9章，第1章介紹深度學習基礎，主要介紹基本概念和基本演算法；第2章介紹深度學習的計算平台，主要介紹深度神經網路計算晶元TPU的架構原理；第3章介紹深度學習編程環境和操作基礎，引導零基礎讀者快速入門Linux操作系統、Python編程語言、TensorFlow和PyTorch深度學習框架，為實現深度學習演算法開發及應用部署奠定基礎；第4?8章基於卷積神經網路，分別聚焦電腦視覺領域的幾大經典任務，包括圖像的分類、目標檢測、語義分割、實例分割、人臉檢測與識別等；第9章介紹循環神經網路，關注時序序列處理任務。本書每章講解一系列經典神經網路的創新性思路，給出了詳細的模型結構解析，並提供了具體的實踐項目。從代碼解析、網路訓練、網路推理到模型部署，帶領讀者從理論一步步走向實踐。
    本書既可作為高等學校深度學習相關課程的教材，也可作為從事人工智慧應用系統開發的科研和技術人員參考用書。
作者介紹
編者:郝曉莉//王昌利//侯亞麗//景輝|責編:龍啟銘
目錄
第1章  深度學習基礎
  1.1  人工智慧概述
    1.1.1  人工智慧在各領域中的應用
    1.1.2  人工智慧、機器學習和深度學習
  1.2  深度學習的基本原理
    1.2.1  神經元
    1.2.2  人工神經網路
    1.2.3  反向傳播演算法
    1.2.4  神經網路的數據結構——張量
  1.3  卷積神經網路
    1.3.1  卷積層
    1.3.2  池化層
    1.3.3  歸一化層
    1.3.4  全連接層
    1.3.5  Softmax函數
    1.3.6  損失函數
    1.3.7  卷積神經網路的特點
    1.3.8  卷積神經網路的發展
  1.4  遷移學習
  1.5  模型訓練超參數
  1.6  深度學習在電腦視覺中的典型應用
  1.7  數據集
    1.7.1  數據集的劃分
    1.7.2  數據集的預處理
    1.7.3  數據集的標注
    1.7.4  常用數據集
  1.8  深度學習框架
  1.9  深度學習的計算特點
第2章  深度學習的計算平台
  2.1  神經網路計算加速晶元
    2.1.1  神經網路的計算特點
    2.1.2  神經網路的計算晶元
  2.2  TPU架構與原理
    2.2.1  谷歌TPU架構與原理
    2.2.2  算能TPU架構與原理
  2.3  算能TPU硬體架構及產品形態
    2.3.1  算能TPU的晶元硬體架構
    2.3.2  算能TPU的產品形態
  2.4  算能TPU軟體架構
    2.4.1  實時視頻流處理方案
    2.4.2  深度學習軟體開發工具包
    2.4.3  離線模型轉換
    2.4.4  在線模型推理
    2.4.5  自定義運算元
    2.4.6  模型量化加速
    2.4.7  高級介面編程庫
第3章  深度學習編程環境操作基礎
  3.1  Linux入門
    3.1.1  Linux系統的安裝簡介
    3.1.2  Linux系統的常用命令

    3.1.3  Linux的文本編輯器
  3.2  Python入門
    3.2.1  Python環境的安裝和使用
    3.2.2  PyCharm集成開發環境的安裝和使用
    3.2.3  常用Python庫
    3.2.4  Python虛擬環境
  3.3  TensorFlow入門
    3.3.1  TensorFlow的安裝
    3.3.2  TensorFlow的基本操作
    3.3.3  使用TensorFlow實現手寫數字識別
  3.4  PyTorch入門
    3.4.1  PyTorch的安裝
    3.4.2  PyTorch的基本操作
    3.4.3  使用PyTorch實現手寫數字識別
  3.5  SE5平台開發環境
    3.5.1  SE5應用系統開發的硬體環境
    3.5.2  SE5應用系統開發的軟體環境
第4章  圖像分類
  4.1  圖像分類任務介紹
  4.2  典型分類網路解析
    4.2.1  LeNet-5手寫數字識別神經網路
    4.2.2  AlexNet圖像分類網路
    4.2.3  VGGNet圖像分類網路
    4.2.4  GoogLeNet圖像分類網路
    4.2.5  ResNet殘差圖像分類網路
    4.2.6  DenseNet密集連接卷積網路
    4.2.7  SENet壓縮-激勵圖像分類網路
  4.3  實踐項目一：基於LeNet-5神經網路的手寫數字識別
    4.3.1  實踐項目內容
    4.3.2  微調的LeNet-5網路結構
    4.3.3  TensorFlow 2.x框架下程序實現
    4.3.4  LeNet-5模型訓練和測試過程
    4.3.5  LeNet-5網路模型在SE5上的部署
  4.4  實踐項目二：基於ResNet神經網路的貓狗分類
    4.4.1  實踐項目內容
    4.4.2  Dogs vs. Cats數據集簡介
    4.4.3  ResNet18網路結構
    4.4.4  PyTorch框架下程序實現
    4.4.5  ResNet18模型訓練和測試過程
    4.4.6  ResNet18網路模型在SE5上的部署
第5章  目標檢測
  5.1  目標檢測任務介紹
    5.1.1  目標檢測任務
    5.1.2  預備知識
    5.1.3  評估準則
  5.2  兩階段目標儉測演算法
    5.2.1  R-CNN
    5.2.2  Fast R-CNN
    5.2.3  Faster R-CNN
  5.3  單階段目標檢測演算法

    5.3.1  YOLOv1
    5.3.2  YOLOv2
    5.3.3  YOLOv3
    5.3.4  YOLOv4
    5.3.5  YOLOv5
    5.3.6  FCOS
    5.3.7  DETR
  5.4  實踐項目：基於YOLOv5s的目標檢測
    5.4.1  實踐項目內容
    5.4.2  YOLOv5s網路結構
    5.4.3  PyTorch框架下程序實現
    5.4.4  YOLOv5s網路模型訓練和測試過程
    5.4.5  YOLOv5s網路模型在SE5上的部署
第6章  語義分割
  6.1  語義分割任務介紹
    6.1.1  語義分割任務
    6.1.2  預備知識
    6.1.3  評估準則
  6.2  典型語義分割網路
    6.2.1  FCN
    6.2.2  U-Net
    6.2.3  SegNet
    6.2.4  PSPNet
    6.2.5  ICNet
    6.2.6  DeepLab系列
  6.3  實踐項目：基於ICNet的語義分割
    6.3.1  實踐項目內容
    6.3.2  數據集
    6.3.3  ICNet網路結構
    6.3.4  TensorFlow框架下程序實現
    6.3.5  ICNet網路模型訓練和測試過程
    6.3.6  ICNet網路模型在SE5上的部署
第7章  實例分割
  7.1  實例分割任務介紹
    7.1.1  實例分割任務
    7.1.2  評估準則
  7.2  典型實例分割網路
    7.2.1  Mask R-CNN
    7.2.2  YOLACT與YOLACT++
    7.2.3  SOLO和SOLOv2
  7.3  實踐項目：基於Mask R-CNN的實例分割
    7.3.1  實踐項目內容
    7.3.2  Mask R-CNN網路結構
    7.3.3  TensorFlow框架下程序實現
    7.3.4  Mask R-CNN網路測試過程
    7.3.5  Mask R-CNN網路模型在SE5上的部署
第8章  人臉檢測與識別
  8.1  人臉檢測與識別任務介紹
    8.1.1  人臉檢測與識別及其應用
    8.1.2  人臉識別系統構成

    8.1.3  常用數據集介紹
    8.1.4  評估準則
  8.2  人臉檢測網路
    8.2.1  MTCNN人臉檢測網路
    8.2.2  RetinaFace人臉檢測網路
  8.3  人臉對齊
  8.4  人臉特徵提取網路
    8.4.1  人臉特徵提取網路原理
    8.4.2  FaceNet
    8.4.3  ArcFace/InsightFace
  8.5  實踐項目一：基於PC的MTCNN+ArcFace實時人臉檢測和識別
    8.5.1  實踐項目內容
    8.5.2  PyTorch框架下程序實現
    8.5.3  人臉識別系統測試
  8.6  實踐項目二：基於SE5的RetinaFace+FaceNet實時人臉檢測和識別
    8.6.1  實踐項目內容
    8.6.2  系統方案
    8.6.3  PyTorch框架下程序實現
    8.6.4  人臉識別系統測試
第9章  循環神經網路
  9.1  循環神經網路原理
    9.1.1  循環神經網路
    9.1.2  長短期記憶網路
    9.1.3  門控循環單元網路
    9.1.4  雙向循環神經網路
  9.2  實踐項目：基於LSTM的股票預測
    9.2.1  實踐項目內容
    9.2.2  數據集
    9.2.3  股票預測方法
    9.2.4  TensorFlow框架下程序實現
    9.2.5  LSTM網路模型訓練和測試過程
    9.2.6  LSTM網路模型在SE5上的部署
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