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

深度學習與人工智慧實戰

  • 作者：張重生|責編:李馨馨//湯楓
  • 出版社：機械工業
  • ISBN：9787111743224
  • 出版日期：2024/01/01
  • 裝幀：平裝
  • 頁數：203
人民幣：RMB 89 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    深度學習是新一代人工智慧所使用的主要技術。本書深入淺出地講解了深度學習的相關技術，包括深度學習編程基礎、目標分類、目標檢測、圖像分割、生成對抗網路等。對每種技術，本書均從原理和程序實現兩個方面進行講解。在原理方面，講解演算法和技術的相關背景、主要演算法思想和原理；在程序實現方面，從數據準備、神經網路模型實現、損失函數實現、整體訓練流程和效果展示五部分對演算法的實現進行具體介紹，幫助讀者深入了解演算法的細節，積累相關實踐經驗。
    本書是《深度學習與人工智慧》的配套用書，適合深度學習領域的初學者，以及高校高年級本科生和研究生閱讀學習。
作者介紹
張重生|責編:李馨馨//湯楓
    張重生，1982年9月生，博士，教授，碩士生導師，河南大學大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、資料庫、實時數據分析。     博士畢業於INRlA，France(法國國家信息與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)電腦系，師從Carlo Zaniolo教授進行流數據挖掘方面的研究。十多年來，一直從事資料庫、數據挖掘、大數據分析相關的研究，發表SCI/EI論文20篇，含Information Sciences、Neurocornputinq、lEEE ICDM、PAKDD、SSDBM等著名國際期刊和會議論文。作為項目負責人主持4項科研項目，出版學術著作三部，作為第一發明人獲得3項國家發明專利，指導碩士研究生12名。
目錄
前言
第1章  張量運算及圖像處理基礎
  1.1  張量與張量運算
    1.1.1  張量的概念
    1.1.2  張量的基本屬性
    1.1.3  張量生成
    1.1.4  張量維度和索引
    1.1.5  張量之間的運算
  1.2  圖像處理的基礎操作
    1.2.1  PIL圖像處理包簡介
    1.2.2  常見的圖像處理操作
第2章  深度學習編程基礎
  2.1  卷積神經網路的基本概念和常用函數
    2.1.1  卷積層
    2.1.2  池化層
    2.1.3  全連接層
    2.1.4  激活函數
    2.1.5  PyTorch中的神經網路結構/模型構建方法
  2.2  PyTorch中的數據處理操作
    2.2.1  PyTorch自帶的數據集使用
    2.2.2  自定義數據集的使用
    2.2.3  PyTorch中的數據預處理模塊transforms
  2.3  PyTorch中的損失函數使用
  2.4  PyTorch中的優化器使用
    2.4.1  優化器
    2.4.2  學習率調整
  2.5  PyTorch中模型訓練的整體流程
第3章  簡單的卷積神經網路實現
  3.1  LeNet-5卷積神經網路實現
    3.1.1  數據準備
    3.1.2  LeNet-5神經網路結構/模型定義
    3.1.3  wandb可視化工具
    3.1.4  整體訓練流程
    3.1.5  效果展示
  3.2  AlexNet卷積神經網路實現
    3.2.1  數據準備
    3.2.2  AlexNet神經網路結構/模型定義
    3.2.3  整體訓練流程
    3.2.4  效果展示
第4章  基於深度學習的簡單目標識別
  4.1  基於VGG骨幹網路的目標分類
    4.1.1  VGG介紹
    4.1.2  VGG16網路實現
    4.1.3  基於VGG16進行CIFAR數據集分類
  4.2  基於ResNet骨幹網路的目標分類
    4.2.1  ResNet神經網路的設計原理
    4.2.2  ResNet-18神經網路模型實現
    4.2.3  基於ResNet-18的目標分類
第5章  基於深度學習的人臉表情識別
  5.1  人臉表情數據準備

  5.2  基於ResNet神經網路的人臉表情識別
    5.2.1  網路定義
    5.2.2  整體訓練流程
第6章  孿生神經網路及人臉驗證實戰
  6.1  孿生神經網路原理
  6.2  基於孿生神經網路的人臉驗證實戰
    6.2.1  數據準備
    6.2.2  孿生神經網路實現
    6.2.3  損失函數實現
    6.2.4  整體訓練流程
    6.2.5  效果展示
第7章  CosFace損失函數原理及人臉識別實戰
  7.1  CosFace
  7.2  基於CosFace的人臉識別實戰
    7.2.1  數據準備
    7.2.2  損失計算
    7.2.3  整體訓練流程
    7.2.4  效果展示
第8章  蒸餾學習原理及實戰
  8.1  知識蒸餾原理
    8.1.1  蒸餾網路的神經網路結構
    8.1.2  蒸餾學習過程
  8.2  知識蒸餾實戰
    8.2.1  訓練學生模型
    8.2.2  訓練教師模型
    8.2.3  蒸餾學習的損失函數
    8.2.4  蒸餾學習過程
    8.2.5  效果展示
第9章  Faster R-CNN目標檢測演算法原理及實戰
  9.1  Faster R-CNN目標檢測演算法原理
    9.1.1  Faster R-CNN的神經網路結構
    9.1.2  Faster R-CNN的目標矩陣構造
    9.1.3  Faster R-CNN的損失函數設計
    9.1.4  Faster R-CNN的整體工作流程
  9.2  Faster R-CNN目標檢測實戰
    9.2.1  數據準備
    9.2.2  損失定義
    9.2.3  Faster R-CNN的神經網路模型實現
    9.2.4  整體訓練流程
    9.2.5  效果展示
第10章  YOLO v3目標檢測演算法原理及實戰
  10.1  YOLO v3目標檢測演算法原理
    10.1.1  YOLO v3神經網路結構
    10.1.2  YOLO v3目標矩陣構造方法
    10.1.3  YOLO v3損失函數設計
  10.2  YOLO v3目標檢測實戰
    10.2.1  數據準備
    10.2.2  YOLO v3神經網路實現/模型定義
    10.2.3  損失定義
    10.2.4  整體訓練流程

    10.2.5  效果展示
第11章  FCN圖像分割演算法原理及實戰
  11.1  FCN圖像分割演算法原理
  11.2  FCN圖像分割實戰
    11.2.1  數據準備
    11.2.2  FCN的神經網路結構/模型定義
    11.2.3  整體訓練流程
    11.2.4  效果展示
第12章  U-Net圖像分割演算法原理及實戰
  12.1  U-Net圖像分割演算法原理
  12.2  基於U-Net的圖像分割實戰
    12.2.1  U-Net的模型定義/神經網路結構
    12.2.2  U-Net的損失函數/Dice損失
    12.2.3  整體訓練流程
    12.2.4  效果展示
第13章  DCGAN生成對抗網路原理及其圖像生成實戰
  13.1  DCGAN生成對抗網路原理
    13.1.1  DCGAN生成器模型
    13.1.2  DCGAN的判別器模型
    13.1.3  DCGAN的損失函數
    13.1.4  DCGAN的訓練過程
  13.2  基於DCGAN的圖像生成技術實戰
    13.2.1  定義判別器
    13.2.2  定義生成器
    13.2.3  定義損失函數
    13.2.4  整體訓練流程
    13.2.5  效果展示
附錄
  附錄A  PyTorch開發環境配置
  附錄B  常用PyTorch函數速查手冊

  • 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