深度学习：卷积神经网络技术与实践

图书标准信息

• 作者 高敬鹏 著
• 出版社 机械工业出版社
• 出版时间 2020-06
• 版次 1
• ISBN 9787111657378
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 页数 279页
• 字数 100千字

【内容简介】

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其*大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

【作者简介】

:
    高敬鹏，博士学历，硕士生导师，2002年至今，任职于哈尔滨工程大学信息与通信工程学院。研究方向主要包括人工智能、机器学习、图像处理、信号检测、目标识别、现代通信技术与电子系统等；先后参与多项国防预研、国家省部级科学基金、横向科研和教改等项目，其中主持科研项目6项，参与科研项目10余项；授权发明专利2项，受理发明专利10余项，软件著作权2项，实用新型专利2项；发表学术论文20余篇，合著专著1部，主编教材7部；2014年获中国高等教育学会等主办的“第三届高等学校自制实验教学仪器设备评选”全国一等奖1项；2017获黑龙江省高等教育教学成果二等奖1项；2018年获中国高等教育学会主办的“全国高校教师教学创新大赛”全国三等奖1项。

【目录】

前言 

第1章 深度学习简介1 

11 机器学习与深度学习1 

12 TensorFlow概述2 

13 环境搭建3 

131 在Windows系统下安装Anaconda3 

132 在Anaconda下安装TensorFlow与Keras6 

133 Spyder编辑器8 

第2章 Python基础11 

21 数据类型11 

211 数值类型11 

212 字符串类型13 

213 布尔类型13 

22 变量与常量14 

23 运算符14 

231 运算符概述14 

232 运算符优先级15 

24 选择与循环15 

241 if语句15 

242 while循环18 

243 for循环20 

244 break和continue21 

25 列表与元组23 

251 创建23 

252 查询24 

253 修改24 

254 删除26 

26 字典26 

261 字典的创建27 

262 字典的常规操作27 

263 字典的遍历29 

27 函数29 

271 函数的定义与调用30 

272 参数传递31 

28 面向对象编程33 

281 类与对象33 

282 继承与多态34 

29 思考与练习37 

第3章 神经网络基础38 

31 单层神经网络38 

32 多层神经网络39 

321 隐藏层39 

322 输入层与输出层41 

33 激活函数42 

331 Sigmoid函数42 

332 Tanh函数43 

333 Relu函数44 

334 Softmax函数45 

34 神经网络工作过程45 

35 损失函数47 

351 均方差函数47 

352 交叉熵函数47 

36 优化算法48 

37 反向传播49 

38 泛化能力52 

39 多层感知器53 

310 MNIST数据集54 

3101 下载MNIST数据集54 

3102 数据预处理56 

311 Keras实现感知器的手写体识别58 

3111 单层感知器手写体识别58 

3112 多层感知器手写体识别61 

312 思考与练习67 

第4章 卷积神经网络68 

41 卷积神经网络结构及原理68 

411 卷积神经网络特点69 

412 卷积层70 

413 池化层72 

414 全连接层73 

42 卷积神经网络工作过程74 

43 简单卷积神经网络实现MNIST分类76 

431 MNIST数据集预处理76 

432 简单卷积神经网络搭建77 

44 CIFAR-10数据集84 

441 下载CIFAR-10数据集85 

442 CIFAR-10数据集预处理87 

45 简单卷积神经网络实现CIFAR-10分类88 

46 思考与练习93 

第5章 经典卷积网络结构94 

51 LeNet概述94 

52 LeNet实现MNIST分类95 

521 MNIST数据预处理95 

522 基于Keras搭建LeNet网络结构95 

523 对LeNet网络模型进行编译、训练、评估与预测98 

53 AlexNet概述101 

54 AlexNet实现MNIST分类103 

541 基于Keras搭建AlexNet网络结构103 

542 对AlexNet网络模型进行编译、训练、评估与预测107 

55 VGG16概述110 

56 VGG16实现MNIST分类111 

561 基于Keras搭建VGG16网络结构112 

562 对VGG16网络模型进行评估与预测115 

57 思考与练习117 

第6章 经典卷积网络结构进阶118 

61 GoogLeNet概述118 

62 GoogLeNet实现MNIST分类119 

621 基于Keras搭建GoogLeNet网络结构119 

622 对GoogLeNet进行训练、评估与预测125 

63 ResNet概述129 

64 ResNet50实现MNIST分类131 

641 基于Keras搭建ResNet50网络结构131 

642 对ResNet50网络模型进行训练、评估与预测138 

65 思考与练习142 

第7章 迁移学习143 

71 基于卷积网络实现迁移学习143 

72 InceptionV3实现迁移学习144 

73 Xception实现迁移学习150 

74 MobileNet实现迁移学习155 

75 简单卷积网络实现迁移学习164 

76 思考与练习172 

第8章 循环神经网络173 

81 循环神经网络概述173 

82 长短期记忆网络174 

821 LSTM前向传播175 

822 LSTM反向传播176 

83 Reuters数据集176 

831 Reuters数据集概述176 

832 文本信息预处理177 

84 简单RNN实现Reuters分类180 

85 LSTM实现Reuters分类185 

86 思考与练习190 

第9章 强化学习191 

91 初识强化学习191 

911 什么是强化学习192 

912 强化学习能解决什么类型的问题193 

913 强化学习如何解决问题194 

92 强化学习理论基础194 

921 基本组成元素194 

922 基本模型196 

923 价值函数198 

93 求解强化学习―有模型199 

931 动态规划与贝尔曼方程199 

932 策略迭代200 

933 值迭代202 

934 值迭代算法实现格子世界202 

94 求解强化学习―无模型208 

941 蒙特卡罗算法208 

942 时间差分法209 

943 Q-learning算法210 

944 Q-learning实现格子世界211 

95 思考与练习213 

第10章 深度强化学习214 

101 深度强化学习框架214 

102 TensorFlow编程216 

1021 TensorFlow的计算模型―计算图216 

1022 TensorFlow的数据模型―张量219 

1023 TensorFlow的运行模型―会话220 

1024 TensorFlow变量222 

1025 TensorFlow共享变量225 

103 Gym的安装及使用226 

1031 Gym的安装226 

1032 Gym的使用227 

104 基于值的算法更新229 

1041 Q-learning实现229 

1042 DQN算法原理233 

1043 DQN算法实现236 

1044 DDQN算法原理241 

1045 DDQN算法实现243 

105 思考与练习248 

第11章 基于策略的算法更新与趋势250 

111 策略梯度法250 

11