深度学习原理与应用

图书标准信息

• 作者 周中元 著
• 出版社 电子工业出版社
• 出版时间 2021-03
• 版次 1
• ISBN 9787121404214
• 定价 98.00元
• 装帧 平装
• 开本 16开
• 页数 288页
• 字数 435千字

【内容简介】

本书系统性地介绍了深度学习的原理、关键技术及相关应用，首先从基本概念、必备的线性代数、微积分、概率统计等数学知识等入手，这些预备知识可帮助读者更好地理解深度学习技术。接着对深度学习方法和技术进行了详细介绍，包括卷积神经网络、反馈神经网络、循环神经网络、生成对抗网络等，针对每个技术都力图用简单易懂的语言、详尽的公式推导说明和生动的图形展示知识点，并附上应用样例，便于读者将概念、原理、公式和应用融会贯通。本书还考虑到初学者尽快入门的需求，对深度学习开发工具和处理技巧进行了细致的梳理和总结。最后本书对深度学习应用前景、发展趋势、未来研究趋势等进行了分析，具有一定前瞻性。本书涵盖了大量深度学习的技术细节，适用于不同层次的读者。

【作者简介】

1984年毕业于南京大学数学系，曾任中国电科第二十八研究所副所长、中国电科通信事业部副总经理、中国司法大数据研究院总经理等职，主持和参加研制了十余项重大工程。获电子部科学技术进步一等奖1项，中国电子科技集团公司科学技术奖特等奖2项，中国电子科技集团公司科学技术奖一等奖3项。2005年获江苏省有突出贡献的中青年专家称号。发表论文20余篇，获发明专利1项，受理发明申请专利2项，出版学术专著1部，国家电子行业标准1部。

【目录】

目    录
第1章  深度学习概述1
1．1  什么是深度学习1
1．2  为什么会出现深度学习6
1．3  深度学习方法的分类8
1．4  人工神经网络的发展简史9
思考题15
第2章  必备的数学知识16
2．1  线性代数16
2．1．1  矩阵16
2．1．2  向量21
2．2  微积分22
2．2．1  微分22
2．2．2  积分26
2．3  概率统计27
2．3．1  随机事件27
2．3．2  概率的定义28
2．3．3  条件概率和贝叶斯公式28
2．3．4  常用概率模型29
2．3．5  随机变量与概率分布30
2．3．6  随机变量的数字特征31
2．3．7  典型的概率分布33
2．3．8  统计与概率36
2．3．9  样本与总体37
2．3．10  统计量与抽样分布37
2．3．11  参数估计38
第3章  神经网络40
3．1  生物神经元40
3．2  M-P模型41
3．3  前馈神经网络42
3．4  感知器43
3．4．1  单层感知器43
3．4．2  多层感知器45
3．5  神经网络的学习46
3．5．1  数据驱动46
3．5．2  损失函数47
3．5．3  激活函数50
3．5．4  似然函数55
3．5．5  梯度与梯度下降法58
3．5．6  学习率61
3．5．7  学习规则62
3．6  误差反向传播算法63
3．7  随机梯度下降法69
3．8  神经网络学习算法的基本步骤70
思考题71
第4章  卷积神经网络72
4．1  卷积神经网络的结构72
4．2  输入层76
4．3  卷积层76
4．4  池化层82
4．5  全连接层84
4．6  输出层84
4．7  卷积神经网络的训练方法85
4．8  卷积神经网络的可视化88
4．8．1  特征图可视化88
4．8．2  卷积核可视化94
4．8．3  类激活图可视化97
4．8．4  可视化工具（Deep Visualization Toolbox）98
4．9  典型的卷积神经网络99
4．9．1  LeNet神经网络99
4．9．2  AlexNet103
4．9．3  VGGNet104
4．9．4  GoogLeNet106
4．9．5  ResNet108
4．9．6  基于AlexNet的人脸识别108
思考题118
第5章  反馈神经网络119
5．1  Hopfield神经网络119
5．2  离散型Hopfield神经网络121
5．2．1  离散型Hopfield神经网络的结构121
5．2．2  离散型Hopfield神经网络的状态变化规律122
5．2．3  离散型Hopfield神经网络的稳态判别函数123
5．2．4  离散型Hopfield神经网络的联想记忆126
5．2．5  离散型Hopfield神经网络的模式识别例子127
5．2．6  离散型Hopfield神经网络的权重设置128
5．2．7  离散型Hopfield神经网络的不足130
5．3  连续型Hopfield神经网络131
5．3．1  连续型Hopfield神经网络结构及其稳定性分析131
5．3．2  连续型Hopfield神经网络解决旅行商问题133
5．4  玻尔兹曼机135
5．3  受限玻尔兹曼机141
5．4  对比散度算法146
5．5  深度信念网络148
思考题150
第6章  自编码器151
6．1  自编码器151
6．2  降噪自编码器153
6．3  稀疏自编码器155
6．4  栈式自编码器156
6．5  变分自编码器158
思考题161
第7章  循环神经网络162
7．1  循环神经网络概述162
7．2  隐马尔可夫链163
7．3  循环神经网络架构164
7．4  LSTM166
7．4．1  基于LSTM预测彩票170
7．4．2  基于LSTM生成古诗词180
思考题188
第8章  生成对抗网络189
8．1  生成对抗网络概述189
8．2  生成对抗网络190
8．3  条件生成对抗网络193
8．4  深度对抗生成网络195
8．5  基于DCGAN生成人脸图片196
8．5．1  准备数据集196
8．5．2  构建模型197
思考题204
第9章  学习有关的处理技巧205
9．1  训练样本205
9．2  数据预处理206
9．3  Dropout与DropConnect209
9．4  正则化212
9．5  权重的初值设置213
思考题214
第10章  深度学习开发工具215
10．1  TensorFlow215
10．1．1  安装TensorFlow216
10．1．2  TensorFlow运行环境217
10．1．3  TensorFlow基本要素218
10．1．4  TensorFlow运行原理219
10．1．5  TensorFlow编程识别手写数字实例221
10．1．6  TensorBoard可视化工具225
10．2  Caffe226
10．2．1  Caffe的安装228
10．2．2  Caffe的应用实例231
思考题232
第11章  自动化机器学习233
11．1  AutoML简介234
11．2  AutoML与传统方法的对比234
11．3  现有AutoML平台产品235
11．3．1  谷歌Cloud AutoML235
11．3．2  百度EasyDL235
11．3．3  阿里云PAI238
第12章  深度学习的未来242
12．1  物体识别242
12．2  物体检测243
12．3  图像分割251
12．4  回归问题253
12．4．1  人体姿态估计253
12．4．2  面部器官检测255
12．5  图像标注生成255
12．6  图像风格变换257
12．7  自动驾驶258
12．8  强化学习259
12．9  深度学习的最新应用260
12．9．1  AlphaGo围棋机器人260
12．9．2  人机对话262
12．9．3  视频换脸263
12．9．4  无人机自动控制265
12．9．5  机器人行动协同267
12．9．6  医疗自动诊断269
12．10  深度学习的发展趋势分析271
12．10．1  深度学习技术现状271
12．10．2  深度学习发展趋势271
参考答案273
参考文献277