艹穴视频,小红帽永久回家2023,制服丝袜第五页

深度學(xué)習(xí)理論與實踐

定價：¥40

中教價：¥27.20 (6.80折）

庫存數(shù)： 0

購買數(shù)量：

本書系統(tǒng)地介紹了對新一代人工智能發(fā)展起主導(dǎo)作用的深度學(xué)習(xí)算法的來源、發(fā)展現(xiàn)狀、工作機理及數(shù)學(xué)基礎(chǔ)等。在此基礎(chǔ)上，本書對典型的深度學(xué)習(xí)算法（如卷積神經(jīng)網(wǎng)絡(luò)、圖卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)、深度置信網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、深度遷移學(xué)習(xí)等）進行了深入介紹，通過嚴(yán)密的理論推導(dǎo)、各種新型算法的比較，并配合豐富生動的案例講解，來增強讀者對深度學(xué)習(xí)算法的基本原理、開發(fā)方法、應(yīng)用部署等的全面掌握。本書既具備一定的理論深度，也具有一定的應(yīng)用高度，不僅可作為高等院校人工智能、智能科學(xué)與技術(shù)、計算機科學(xué)與技術(shù)、數(shù)據(jù)科學(xué)與大數(shù)據(jù)、模式識別與智能系統(tǒng)等專業(yè)及相關(guān)專業(yè)的本科生、研究生的教材，也可作為從事基于深度學(xué)習(xí)的各類智能化應(yīng)用的工程技術(shù)人員的參考書。

楊博雄，男，理學(xué)博士，武漢大學(xué)測繪遙感信息工程國家重點實驗室博士后，三亞學(xué)院信息與智能工程學(xué)院副教授，主要研究方向及興趣領(lǐng)域為人工智能與大數(shù)據(jù)以及與此相關(guān)的智慧城市、智能交通、智慧農(nóng)業(yè)、智慧旅游、視頻圖像處理等。參與或主持有國家高技術(shù)研究發(fā)展計劃、國家自然科學(xué)基金、中國博士后科學(xué)基金、科技部科學(xué)儀器設(shè)備升級改造專項資助項目、湖北省自然科學(xué)基金、武漢市人事局創(chuàng)新人才開發(fā)基金以及湖北省教育科學(xué)規(guī)劃等多項國家以及省部級科研項目。在國內(nèi)外重要學(xué)術(shù)期刊上發(fā)表有論文數(shù)十篇。曾獲中國儀器儀表學(xué)會科技創(chuàng)新獎、湖北省科技進步三等獎、湖北省自然科學(xué)優(yōu)秀學(xué)術(shù)論文獎、武漢市科技進步獎三等獎、揚州.智谷創(chuàng)意設(shè)計大賽一等獎等獎項，擁有專利六項。協(xié)助博士后指導(dǎo)老師培養(yǎng)碩士研究生三名、博士研究生一名，獨立培養(yǎng)碩士研究生3名。

目錄
第1章概述1

1.1 引言1

1.2 新一代人工智能4

1.3 深度學(xué)習(xí)7

1.3.1 深度學(xué)習(xí)的起源7

1.3.2 深度學(xué)習(xí)的發(fā)展7

1.3.3 深度學(xué)習(xí)的爆發(fā)8

1.4 人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系9

本章小結(jié)13

課后習(xí)題13

第2章深度學(xué)習(xí)基礎(chǔ)知識15

2.1 人工神經(jīng)網(wǎng)絡(luò)15

2.1.1 神經(jīng)元15

2.1.2 感知器16

2.1.3 多層感知器17

2.2 BP算法18

2.2.1 BP算法的基本原理18

2.2.2 激活函數(shù)20

2.2.3 梯度下降法22

2.3 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)26

2.3.1 深度學(xué)習(xí)的基本思想26

2.3.2 深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)的關(guān)系27

2.3.3 深度學(xué)習(xí)的學(xué)習(xí)過程27

2.4 深度學(xué)習(xí)的主要方法29

2.4.1 監(jiān)督學(xué)習(xí)29

2.4.2 無監(jiān)督學(xué)習(xí)30

2.4.3 半監(jiān)督學(xué)習(xí)31

2.4.4 增強學(xué)習(xí)31

2.4.5 遷移學(xué)習(xí)33

2.4.6 對偶學(xué)習(xí)33

2.5 深度學(xué)習(xí)開源框架與TensorFlow示例34

2.5.1 深度學(xué)習(xí)開源框架34

2.5.2 TensorFlow與編程示例36

本章小結(jié)42

課后習(xí)題43

第3章卷積神經(jīng)網(wǎng)絡(luò)44

3.1 卷積神經(jīng)網(wǎng)絡(luò)簡介44

3.2 卷積層46

3.2.1 卷積層介紹46

3.2.2 TensorFlow實現(xiàn)卷積操作53

3.2.3 激活函數(shù)57

3.3 池化層59

3.3.1 池化層介紹59

3.3.2 TensorFlow實現(xiàn)池化操作61

3.4 全連接層62

3.4.1 全連接層介紹62

3.4.2 TensorFlow全連接神經(jīng)網(wǎng)絡(luò)的實現(xiàn)65

3.5 經(jīng)典CNN模型66

3.5.1 AlexNet66

3.5.2 VGGNet67

3.5.3 GoogLeNet68

3.5.4 ResNet70

3.6 CNN的應(yīng)用領(lǐng)域71

3.6.1 計算機視覺72

3.6.2 自然語言處理76

3.6.3 語音識別78

3.7 CNN應(yīng)用實例79

3.7.1 手寫數(shù)字識別79

3.7.2 寫詩機器人82

3.7.3 基于GANs生成人臉88

本章小結(jié)94

課后習(xí)題94

第4章圖卷積神經(jīng)網(wǎng)絡(luò)97

4.1 圖卷積神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)97

4.1.1 圖的定義97

4.1.2 圖節(jié)點的表示98

4.1.3 圖節(jié)點的聚合99

4.1.4 子圖級嵌入105

4.1.5 圖神經(jīng)網(wǎng)絡(luò)的輸出106

4.2 基于譜域的圖卷積神經(jīng)網(wǎng)絡(luò)106

4.2.1 基于Fourier的圖上卷積算子的構(gòu)建106

4.2.2 基于譜圖小波變換的圖上卷積算子的構(gòu)建130

4.3 基于空間域的圖卷積神經(jīng)網(wǎng)絡(luò)142

4.3.1 注意力機制142

4.3.2 圖注意力層143

4.3.3 應(yīng)用案例GAT145

4.4 基于GCN的圖時空網(wǎng)絡(luò)147

4.4.1 道路圖的交通預(yù)測147

4.4.2 圖的卷積148

4.4.3 STGCN模型148

本章小結(jié)150

課后習(xí)題150

第5章循環(huán)神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)151

5.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的概念151

5.2 循環(huán)神經(jīng)網(wǎng)絡(luò)前向計算152

5.3 長短時記憶網(wǎng)絡(luò)154

5.3.1 LSTM結(jié)構(gòu)154

5.3.2 LSTM前向計算155

5.3.3 實驗：利用LSTM模型生成古詩156

5.4 循環(huán)神經(jīng)網(wǎng)絡(luò)的其他變形及應(yīng)用159

5.4.1 GRU159

5.4.2 序列到序列模型160

5.4.3 實驗：基于Seq2Seq模型的聊天機器人161

5.5 遞歸神經(jīng)網(wǎng)絡(luò)163

5.5.1 遞歸神經(jīng)網(wǎng)絡(luò)的前向計算166

5.5.2 遞歸神經(jīng)網(wǎng)絡(luò)的訓(xùn)練167

5.5.3 權(quán)重梯度的計算及權(quán)重更新170

本章小結(jié)171

課后習(xí)題171

第6章深度置信網(wǎng)絡(luò)174

6.1 受限玻爾茲曼機174

6.1.1 引言174

6.1.2 玻爾茲曼機174

6.1.3 受限玻爾茲曼機的定義175

6.1.4 RBM參數(shù)學(xué)習(xí)176

6.1.5 RBM模型參數(shù)求解177

6.1.6 RBM模型訓(xùn)練算法177

6.1.7 RBM模型評估178

6.2 深度置信網(wǎng)絡(luò)概述178

6.2.1 引言178

6.2.2 DBN-DNN結(jié)構(gòu)179

6.2.3 模型訓(xùn)練180

6.3 深度置信網(wǎng)絡(luò)實驗183

本章小結(jié)191

課后習(xí)題191

第7章生成對抗網(wǎng)絡(luò)192

7.1 引言192

7.2 GAN原理與模型訓(xùn)練方法193

7.2.1 GAN的工作原理193

7.2.2 GAN的特點及其優(yōu)缺點193

7.2.3 GAN的基本模型194

7.2.4 GAN模型的挑戰(zhàn)194

7.2.5 GAN與Jensen-Shannon散度195

7.2.6 生成器與判別器的網(wǎng)絡(luò)196

7.3 GAN的模型改進197

7.3.1 WGAN197

7.3.2 WGAN-GP198

7.3.3 LSGAN199

7.3.4 f-GAN199

7.3.5 LS-GAN與GLS-GAN200

7.3.6 EBGAN201

7.3.7 BEGAN202

7.4 GAN的應(yīng)用模型改進203

7.4.1 CGAN203

7.4.2 InfoGAN204

7.4.3 Pix2Pix205

7.4.4 CycleGAN206

7.4.5 StarGAN207

7.4.6 SRGAN208

7.4.7 DeblurGAN210

7.4.8 AttentiveGAN212

7.5 GAN的應(yīng)用213

7.5.1 圖像領(lǐng)域213

7.5.2 視頻領(lǐng)域213

7.5.3 人機交互領(lǐng)域214

7.6 GAN模擬實驗214

7.6.1 實驗?zāi)繕?biāo)214

7.6.2 實驗內(nèi)容214

7.6.3 實驗步驟215

7.6.4 實驗結(jié)果223

本章小結(jié)223

課后習(xí)題223

第8章深度遷移學(xué)習(xí)225

8.1 引言225

8.2 遷移學(xué)習(xí)的概念與原理226

8.2.1 遷移學(xué)習(xí)的概念226

8.2.2 遷移學(xué)習(xí)的原理226

8.3 遷移學(xué)習(xí)的方法227

8.3.1 基于實例的遷移學(xué)習(xí)方法228

8.3.2 基于特征的遷移學(xué)習(xí)方法229

8.3.3 基于模型的遷移學(xué)習(xí)方法230

8.3.4 基于關(guān)系的遷移學(xué)習(xí)方法230

8.4 深度遷移學(xué)習(xí)概述231

8.4.1 基于實例的深度遷移學(xué)習(xí)231

8.4.2 基于映射的深度遷移學(xué)習(xí)232

8.4.3 基于網(wǎng)絡(luò)的深度遷移學(xué)習(xí)232

8.4.4 基于對抗的深度遷移學(xué)習(xí)233

8.5 深度遷移學(xué)習(xí)實驗233

本章小結(jié)238

課后習(xí)題238

參考文獻239

国产91青青成人a在线/在线视频成人/aaa成人永久在线观看视频/深夜草莓视频app