描述
开 本: 16开纸 张: 胶版纸包 装: 平装-胶订是否套装: 否国际标准书号ISBN: 9787302567073
体系全面探索深度学习知识
深入浅出解读热门应用构建
实战理念牵引具体演练实例
深入拓展培养活学活用能力
本书系统全面地覆盖了深度学习的主要原理、方法和应用实践。介绍了深度学习的概念、主流工具及框架，分析了神经网络原理并实现，对卷积神经网络（CNN）、循环神经网络（RNN）和生成对抗网络（GAN）这些常用的深度学习模型进行了演练，在此基础上展开基于深度学习的目标检测、图像分割、人脸识别、文本自动生成等热门应用，为读者提供了从理论学习到工程实践的视图。 本书适合高等学校计算机、软件工程、人工智能等本专科专业，也适合作为对实际使用深度学习感兴趣的研究生、工程师和研究人员的学习资料。
第1章 深度学习初识1
1.1 什么是深度学习1
1.1.1 深度学习与机器学习的关系1
1.1.2 深度学习与人工智能的关系2
1.1.3 深度学习的应用案例2
1.2 机器学习初识4
1.2.1 机器学习概述4
1.2.2 机器学习的分支5
1.3 神经网络初识8
1.3.1 神经网络的来源8
1.3.2 人工神经网络与神经元模型8
1.4 本章小结9
思考题10
第2章 深度学习主流工具及框架11
2.1 开发环境的搭建及使用11
2.1.1 下载及安装Anaconda开发工具11
2.1.2 Python库的导入与添加13
2.1.3 Anaconda命令简介14
2.2 深度学习的主要框架15
2.2.1 TensorFlow概况16
2.2.2 CPU版环境搭建与调用17
2.2.3 GPU版环境搭建与调用19
2.2.4 Keras的调用24
2.3 本章小结25
思考题26
第3章 神经网络的原理及实现27
3.1 数学基础27
3.1.1 张量27
3.1.2 导数28
3.2 神经网络模型及结构29
3.2.1 MP神经元模型30
3.2.2 感知机31
3.2.3 前向传播32
3.2.4 反向传播34
3.3 激活函数35
3.3.1 Sigmoid函数35
3.3.2 Tanh函数36
3.3.3 ReLU函数38
3.3.4 Swish函数39
3.4 损失函数40
3.4.1 均值平方差40
3.4.2 交叉熵41
3.5 优化方法: 梯度下降41
3.5.1 批量梯度下降42
3.5.2 随机梯度下降42
3.5.3 小批量梯度下降42
3.6 综合案例: 搭建简单的神经网络43
3.6.1 基本功能函数43
3.6.2 简单神经网络的搭建44
3.6.3 拟合函数可视化46
3.7 本章小结48
思考题48
第4章 卷积神经网络49
4.1 卷积神经网络入门49
4.1.1 卷积神经网络概述49
4.1.2 卷积神经网络的结构50
4.2 卷积运算52
4.2.1 卷积函数53
4.2.2 卷积实例54
4.3 池化运算59
4.3.1 池化函数60
4.3.2 池化实例61
4.4 综合案例: 手写数字识别65
4.4.1 MNIST数据集初识65
4.4.2 手写数字识别模型构建和训练67
4.5 本章小结71
思考题72
第5章 循环神经网络73
5.1 循环神经网络入门73
5.1.1 循环神经网络概述73
5.1.2 序列数据74
5.1.3 循环神经网络结构75
5.1.4 梯度消失和梯度爆炸76
5.2 长短期记忆网络——LSTM78
5.2.1 长期依赖问题78
5.2.2 长短期记忆网络结构79
5.3 综合案例: 语义情感分析83
5.4 本章小结88
思考题88
第6章 生成对抗网络89
6.1 生成对抗网络初识89
6.1.1 生成对抗网络概述89
6.1.2 生成对抗网络基本模型89
6.2 生成对抗网络的基本原理90
6.3 综合案例: 仿照手写字体91
6.4 本章小结98
思考题98
第7章 基于深度学习的目标检测99
7.1 目标检测基础99
7.1.1 数据集99
7.1.2 性能指标100
7.1.3 锚点101
7.1.4 锚框101
7.1.5 非极大值抑制101
7.2 传统的目标检测101
7.2.1 ViolaJones102
7.2.2 方向梯度直方图103
7.2.3 DPM105
7.2.4 综合案例: DPM行人检测106
7.3 结合候选区域和CNN分类的目标检测框架110
7.3.1 RCNN110
7.3.2 SPPNET111
7.3.3 Fast RCNN113
7.3.4 Faster RCNN114
7.4 回归问题的端到端的目标检测框架117
7.4.1 YOLO117
7.4.2 SSD118
7.4.3 综合案例: YOLO目标检测118
7.5 本章小结122
思考题122
第8章 基于深度学习的图像分割123
8.1 基于图论的方法123
8.1.1 NormalizedCut124
8.1.2 GraphCut124
8.1.3 GrabCut125
8.1.4 综合案例: GrabCut前景提取126
8.2 基于聚类的方法127
8.2.1 K均值聚类128
8.2.2 谱聚类128
8.2.3 Meanshift129
8.2.4 SLIC129
8.2.5 聚类应用130
8.2.6 综合案例: SLIC分割超像素131
8.3 基于深度语义的方法132
8.3.1 FCN132
8.3.2 DeepLab系列133
8.3.3 PSPNet133
8.3.4 UNet135
8.3.5 SegNet135
8.3.6 综合案例: 细胞壁检测136
8.4 本章小结142
思考题142
第9章 基于深度学习的人脸识别143
9.1 训练图像数据采集143
9.1.1 训练图像数据源143
9.1.2 爬取图像数据集144
9.2 CNN人脸识别设计146
9.2.1 CNN人脸识别设计方案146
9.2.2 CNN图像处理146
9.2.3 图像预处理148
9.3 CNN模型搭建149
9.3.1 搭建卷积层150
9.3.2 搭建池化层150
9.3.3 选取激活函数151
9.3.4 选取优化器151
9.3.5 自定义损失函数152
9.3.6 设置参数调整学习效率152
9.3.7 训练CNN模型154
9.3.8 模型保存加载与评估155
9.3.9 模型测试156
9.4 口罩佩戴识别增强157
9.5 本章小结158
思考题158
第10章 基于深度学习的文本自动生成159
10.1 训练文本数据采集159
10.1.1 训练文本数据源159
10.1.2 训练文本数据整理160
10.2 LSTM五言律诗自动生成设计160
10.2.1 文本预处理161
10.2.2 文本数据标准化161
10.2.3 LSTM模型搭建162
10.2.4 训练LSTM模型162
10.3 测试LSTM模型163
10.3.1 生成序列数据163
10.3.2 定义采样方法163
10.4 本章小结166
思考题166
第11章 深度学习展望167
11.1 深度学习的探索方向167
11.1.1 设计更好的深度学习框架167
11.1.2 发现更好的网络模型167
11.2 深度学习的应用场景展望168
11.2.1 教育领域168
11.2.2 金融领域168
11.2.3 医疗领域168
11.2.4 文艺领域169
11.2.5 无人服务169
11.3 本章小结169
参考文献170
实战深度学习——原理、框架及应用前言: 奇点前夜前言
近十年来,伴随着世界范围内大数据和人工智能的迅猛发展,机器学习中的深度学习一路凯歌高进,在社会生活中的各个领域大放异彩。在为新生应用提供核心算法模型的同时,又渗透到对传统流程的再造之中,潜移默化地影响着人们身边的多个方面。即将到来的智能化浪潮,其所依赖的大数据、深度学习算法和强算力,使得许多传统问题有了新的解决方法和思路。
当前,在信息技术、无人服务和互联网等新兴领域,越来越多的工程师运用深度学习技术来强化产品功能、提升产品性能。在公共安全、金融保险、卫生医疗、文化教育等传统领域,越来越多的从业者正积极地设法引入深度学习技术,掀起新一轮的技术革命。在大量的应用需求牵引下,日益增多的学习者正在加入到深度学习的热潮中。他们可能来自于计算机、电子工程、数学、软件工程等相关专业,也可能从其他专业跨界而来。
对深度学习的研究,需要常怀敬畏之心。很多人把深度学习理解成一个“黑匣子”,知其然而不知其所以然。但是,深度学习提供了从感知到认知的过渡,以及知识的表达和形成过程。从应用角度来看,各个行业面临的主要挑战其实是如何通过深度学习来真正理解现实世界。虽然很多问题已经可以在一定程度上运用深度学习技术来解决,例如图像识别和语音合成，但是现在迫切需要可解释的人工智能技术,尤其是金融和医疗等传统领域,更需要关心其工作原理而非仅仅是其输出。
作为前沿交叉学科的研究人员,我们认为，如果要将深度学习技术应用到传统领域并真正发挥作用,仍然需要剖析深度学习背后的理论、原则和数学依据。为此,基于多年积累的丰富的领域知识和经验,以及数据和场景,团队正在研究深度学习的理论问题,例如可解释性、泛化能力和知识表达。
本书最初起源于团队自身建设的能力提升所需。我们整理了深度学习的数学基础、主流工具和框架,对常用的深度学习模型进行了演练,并收集了一批当前热门的应用案例作为实战化操作练习。这本材料随着团队新生力量的增加而不断更新,多次被作为培训教材使用且反响良好,才促使萌生推向市场的念头。
本书系统、全面地覆盖了深度学习的主要原理、方法和应用实践。主要分为3部分: 第一部分(第1～3章)是基础知识和算法实战,包括深度学习概念、主流工具及框架,展开分析了神经网络的原理及实现。第二部分(第4～6章)是常用的深度学习模型,对卷积神经网络、循环神经网络、生成对抗网络进行了演练。第三部分(第7～11章)通过具体应用场景,详细分析了基于深度学习的目标检测、图像分割、人脸识别和文本自动生成等当前热点综合案例,展示如何在实际中解决问题。
本书构建了一套明晰的深度学习体系,同时各章内容相对独立,并提供全套课件、源代码、数据集和使用说明等学习资源。读者不要求有深度学习或者机器学习的背景知识,只需具备基本的数学和编程知识,如基础的线性代数、微分、概率及Python编程知识。
本书是跨域大数据智能分析与应用省级重点实验室团队协同努力的成果，由邓劲生和庄春华负责搭建整体框架确定实战内容、组织验证应用和调度实施,前6章初稿主要由熊炜林执笔,后5章初稿主要由王良执笔,乔凤才、尹晓晴、宋省身、赵涛、李勐等参与了文稿修改和部分章节的编写,田野制作了课程课件,黎珍、刘娟、张智超、陶应娟等进行实例验证,伏西平、李勐等参与试点应用。部分内容来自于参考文献和网络资源转载,未能逐一溯源和说明引用,特在此表示感谢。
由于深度学习正处于蓬勃发展之中,而作者的自身水平、理解能力、项目经验和表达能力有限,书中难免存在一些错误和不足之处,还望各位读者不吝赐教。除了配套源代码和数据集之外，本书还备有全套教学课件可供参考，欢迎将本书选作教材的老师垂询和交流。
作者2020年6月于砚瓦池
评论
还没有评论。