123,123

內(nèi)容簡(jiǎn)介

　　本書(shū)系統(tǒng)性地介紹了深度學(xué)習(xí)的原理、關(guān)鍵技術(shù)及相關(guān)應(yīng)用，首先從基本概念、必備的線性代數(shù)、微積分、概率統(tǒng)計(jì)等數(shù)學(xué)知識(shí)等入手，這些預(yù)備知識(shí)可幫助讀者更好地理解深度學(xué)習(xí)技術(shù)。接著對(duì)深度學(xué)習(xí)方法和技術(shù)進(jìn)行了詳細(xì)介紹，包括卷積神經(jīng)網(wǎng)絡(luò)、反饋神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、生成對(duì)抗網(wǎng)絡(luò)等，針對(duì)每個(gè)技術(shù)都力圖用簡(jiǎn)單易懂的語(yǔ)言、詳盡的公式推導(dǎo)說(shuō)明和生動(dòng)的圖形展示知識(shí)點(diǎn)，并附上應(yīng)用樣例，便于讀者將概念、原理、公式和應(yīng)用融會(huì)貫通。本書(shū)還考慮到初學(xué)者盡快入門(mén)的需求，對(duì)深度學(xué)習(xí)開(kāi)發(fā)工具和處理技巧進(jìn)行了細(xì)致的梳理和總結(jié)。最后本書(shū)對(duì)深度學(xué)習(xí)應(yīng)用前景、發(fā)展趨勢(shì)、未來(lái)研究趨勢(shì)等進(jìn)行了分析，具有一定前瞻性。本書(shū)涵蓋了大量深度學(xué)習(xí)的技術(shù)細(xì)節(jié)，適用于不同層次的讀者。

作者簡(jiǎn)介

　　1984年畢業(yè)于南京大學(xué)數(shù)學(xué)系，曾任中國(guó)電科第二十八研究所副所長(zhǎng)、中國(guó)電科通信事業(yè)部副總經(jīng)理、中國(guó)司法大數(shù)據(jù)研究院總經(jīng)理等職，主持和參加研制了十余項(xiàng)重大工程。獲電子部科學(xué)技術(shù)進(jìn)步一等獎(jiǎng)1項(xiàng)，中國(guó)電子科技集團(tuán)公司科學(xué)技術(shù)獎(jiǎng)特等獎(jiǎng)2項(xiàng)，中國(guó)電子科技集團(tuán)公司科學(xué)技術(shù)獎(jiǎng)一等獎(jiǎng)3項(xiàng)。2005年獲江蘇省有突出貢獻(xiàn)的中青年專(zhuān)家稱(chēng)號(hào)。發(fā)表論文20余篇，獲發(fā)明專(zhuān)利1項(xiàng)，受理發(fā)明申請(qǐng)專(zhuān)利2項(xiàng)，出版學(xué)術(shù)專(zhuān)著1部，國(guó)家電子行業(yè)標(biāo)準(zhǔn)1部。

圖書(shū)目錄

目錄
第1章深度學(xué)習(xí)概述\t1
1．1 什么是深度學(xué)習(xí)\t1
1．2 為什么會(huì)出現(xiàn)深度學(xué)習(xí)\t6
1．3 深度學(xué)習(xí)方法的分類(lèi)\t8
1．4 人工神經(jīng)網(wǎng)絡(luò)的發(fā)展簡(jiǎn)史\t9
思考題\t15
第2章必備的數(shù)學(xué)知識(shí)\t16
2．1 線性代數(shù)\t16
2．1．1 矩陣\t16
2．1．2 向量\t21
2．2 微積分\t22
2．2．1 微分\t22
2．2．2 積分\t26
2．3 概率統(tǒng)計(jì)\t27
2．3．1 隨機(jī)事件\t27
2．3．2 概率的定義\t28
2．3．3 條件概率和貝葉斯公式\t28
2．3．4 常用概率模型\t29
2．3．5 隨機(jī)變量與概率分布\t30
2．3．6 隨機(jī)變量的數(shù)字特征\t31
2．3．7 典型的概率分布\t33
2．3．8 統(tǒng)計(jì)與概率\t36
2．3．9 樣本與總體\t37
2．3．10 統(tǒng)計(jì)量與抽樣分布\t37
2．3．11 參數(shù)估計(jì)\t38
第3章神經(jīng)網(wǎng)絡(luò)\t40
3．1 生物神經(jīng)元\t40
3．2 M-P模型\t41
3．3 前饋神經(jīng)網(wǎng)絡(luò)\t42
3．4 感知器\t43
3．4．1 單層感知器\t43
3．4．2 多層感知器\t45
3．5 神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)\t46
3．5．1 數(shù)據(jù)驅(qū)動(dòng)\t46
3．5．2 損失函數(shù)\t47
3．5．3 激活函數(shù)\t50
3．5．4 似然函數(shù)\t55
3．5．5 梯度與梯度下降法\t58
3．5．6 學(xué)習(xí)率\t61
3．5．7 學(xué)習(xí)規(guī)則\t62
3．6 誤差反向傳播算法\t63
3．7 隨機(jī)梯度下降法\t69
3．8 神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法的基本步驟\t70
思考題\t71
第4章卷積神經(jīng)網(wǎng)絡(luò)\t72
4．1 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t72
4．2 輸入層\t76
4．3 卷積層\t76
4．4 池化層\t82
4．5 全連接層\t84
4．6 輸出層\t84
4．7 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法\t85
4．8 卷積神經(jīng)網(wǎng)絡(luò)的可視化\t88
4．8．1 特征圖可視化\t88
4．8．2 卷積核可視化\t94
4．8．3 類(lèi)激活圖可視化\t97
4．8．4 可視化工具（Deep Visualization Toolbox）\t98
4．9 典型的卷積神經(jīng)網(wǎng)絡(luò)\t99
4．9．1 LeNet神經(jīng)網(wǎng)絡(luò)\t99
4．9．2 AlexNet\t103
4．9．3 VGGNet\t104
4．9．4 GoogLeNet\t106
4．9．5 ResNet\t108
4．9．6 基于AlexNet的人臉識(shí)別\t108
思考題\t118
第5章反饋神經(jīng)網(wǎng)絡(luò)\t119
5．1 Hopfield神經(jīng)網(wǎng)絡(luò)\t119
5．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)\t121
5．2．1 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)\t121
5．2．2 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的狀態(tài)變化規(guī)律\t122
5．2．3 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的穩(wěn)態(tài)判別函數(shù)\t123
5．2．4 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的聯(lián)想記憶\t126
5．2．5 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的模式識(shí)別例子\t127
5．2．6 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的權(quán)重設(shè)置\t128
5．2．7 離散型Hopfield神經(jīng)網(wǎng)絡(luò)的不足\t130
5．3 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)\t131
5．3．1 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及其穩(wěn)定性分析\t131
5．3．2 連續(xù)型Hopfield神經(jīng)網(wǎng)絡(luò)解決旅行商問(wèn)題\t133
5．4 玻爾茲曼機(jī)\t135
5．3 受限玻爾茲曼機(jī)\t141
5．4 對(duì)比散度算法\t146
5．5 深度信念網(wǎng)絡(luò)\t148
思考題\t150
第6章自編碼器\t151
6．1 自編碼器\t151
6．2 降噪自編碼器\t153
6．3 稀疏自編碼器\t155
6．4 棧式自編碼器\t156
6．5 變分自編碼器\t158
思考題\t161
第7章循環(huán)神經(jīng)網(wǎng)絡(luò)\t162
7．1 循環(huán)神經(jīng)網(wǎng)絡(luò)概述\t162
7．2 隱馬爾可夫鏈\t163
7．3 循環(huán)神經(jīng)網(wǎng)絡(luò)架構(gòu)\t164
7．4 LSTM\t166
7．4．1 基于LSTM預(yù)測(cè)彩票\t170
7．4．2 基于LSTM生成古詩(shī)詞\t180
思考題\t188
第8章生成對(duì)抗網(wǎng)絡(luò)\t189
8．1 生成對(duì)抗網(wǎng)絡(luò)概述\t189
8．2 生成對(duì)抗網(wǎng)絡(luò)\t190
8．3 條件生成對(duì)抗網(wǎng)絡(luò)\t193
8．4 深度對(duì)抗生成網(wǎng)絡(luò)\t195
8．5 基于DCGAN生成人臉圖片\t196
8．5．1 準(zhǔn)備數(shù)據(jù)集\t196
8．5．2 構(gòu)建模型\t197
思考題\t204
第9章學(xué)習(xí)有關(guān)的處理技巧\t205
9．1 訓(xùn)練樣本\t205
9．2 數(shù)據(jù)預(yù)處理\t206
9．3 Dropout與DropConnect\t209
9．4 正則化\t212
9．5 權(quán)重的初值設(shè)置\t213
思考題\t214
第10章深度學(xué)習(xí)開(kāi)發(fā)工具\(yùn)t215
10．1 TensorFlow\t215
10．1．1 安裝TensorFlow\t216
10．1．2 TensorFlow運(yùn)行環(huán)境\t217
10．1．3 TensorFlow基本要素\t218
10．1．4 TensorFlow運(yùn)行原理\t219
10．1．5 TensorFlow編程識(shí)別手寫(xiě)數(shù)字實(shí)例\t221
10．1．6 TensorBoard可視化工具\(yùn)t225
10．2 Caffe\t226
10．2．1 Caffe的安裝\t228
10．2．2 Caffe的應(yīng)用實(shí)例\t231
思考題\t232
第11章自動(dòng)化機(jī)器學(xué)習(xí)\t233
11．1 AutoML簡(jiǎn)介\t234
11．2 AutoML與傳統(tǒng)方法的對(duì)比\t234
11．3 現(xiàn)有AutoML平臺(tái)產(chǎn)品\t235
11．3．1 谷歌Cloud AutoML\t235
11．3．2 百度EasyDL\t235
11．3．3 阿里云PAI\t238
第12章深度學(xué)習(xí)的未來(lái)\t242
12．1 物體識(shí)別\t242
12．2 物體檢測(cè)\t243
12．3 圖像分割\t251
12．4 回歸問(wèn)題\t253
12．4．1 人體姿態(tài)估計(jì)\t253
12．4．2 面部器官檢測(cè)\t255
12．5 圖像標(biāo)注生成\t255
12．6 圖像風(fēng)格變換\t257
12．7 自動(dòng)駕駛\t258
12．8 強(qiáng)化學(xué)習(xí)\t259
12．9 深度學(xué)習(xí)的最新應(yīng)用\t260
12．9．1 AlphaGo圍棋機(jī)器人\t260
12．9．2 人機(jī)對(duì)話\t262
12．9．3 視頻換臉\t263
12．9．4 無(wú)人機(jī)自動(dòng)控制\t265
12．9．5 機(jī)器人行動(dòng)協(xié)同\t267
12．9．6 醫(yī)療自動(dòng)診斷\t269
12．10 深度學(xué)習(xí)的發(fā)展趨勢(shì)分析\t271
12．10．1 深度學(xué)習(xí)技術(shù)現(xiàn)狀\t271
12．10．2 深度學(xué)習(xí)發(fā)展趨勢(shì)\t271
參考答案\t273
參考文獻(xiàn)\t277