深度学习理论及实战（MATLAB版）

图书标准信息

• 作者 赵小川；何灏
• 出版社 清华大学出版社
• 出版时间 2021-02
• 版次 1
• ISBN 9787302564218
• 定价 79.00元
• 装帧 平装
• 开本 32开
• 页数 472页
• 字数 299千字

【内容简介】

《深度学习理论及实战（MATLAB版）》主要介绍深度学习理论及实战，共5章，内容包括机器学习、人工神经网络、卷积神经网络、MATLAB深度学习工具箱和应用实例。在介绍基础理论方面，本书深入浅出、语言生动、通俗易懂； 在介绍应用实例时，本书贴近实际、步骤翔实、举一反三。本书对数十个例程进行了深入的讲解，并对代码进行了详细的注解。
  《深度学习理论及实战（MATLAB版）》可以作为人工智能、电子信息、计算机科学相关专业的本科生、研究生的教材，也可作为本科毕业设计、研究生学术论文的参考资料，还可作为相关工程技术人员的参考资料。

【作者简介】

赵小川  男，博士，研究员，博士生导师。武警装备智能化专家委员会委员，北京市科学技术委员会项目评审专家，陆军装备部项目评审专家；中文核心期刊计算机工程青年编委；期刊robotica审稿专家。研究方向是人工智能、计算机视觉。来，作为项目负责人主持科研项目20余项，以作者出版学术专著6部，获得发明专利12项。

【目录】

章从“机器学”讲起

1.1走近“机器学”

1.1.1什么是“机器学”

1.1.2机器学的主要任务

1.1.3机器学的分类

1.1.4什么是“深度学”

1.1.5机器学的应用举例

扩展阅读： 对“人工智能”的理解

1.2解读“机器学的过程”

1.2.1机器学的过程

1.2.2机器学中的数据集

1.2.3过拟合与欠拟合

心得分享： “机器学”与“雕刻时光”

1.3典型的机器学算法——svm

1.3.1从“走心”的国界线说起

1.3.2“支持向量机”名字的由来

1.3.3svm分类器的形式

1.3.4如何找到很好分类线

1.3.5基于svm的多分类问题

1.4思与练

第2章解析“人工神经网络”

2.1神经元——人工神经网络的基础

2.1.1生物神经元

2.1.2人工神经元

2.1.3激活函数

2.2神经网络的结构及工作

2.2.1神经网络的结构组成

2.2.2神经网络的工作

2.2.3一些常见的概念

扩展阅读： 人工神经网络发展简史

2.3从数学角度来认识神经网络

2.3.1本书中采用的符号及含义

2.3.2神经元的激活

2.3.3神经网络的学

2.3.4寻找损失函数小值——梯度下降法

2.3.5误差反向传播

2.3.6基于误差反向传播的参数更新流程

2.4如何基于神经网络进行分类

2.4.1基于神经网络实现二分类

2.4.2基于神经网络实现多分类

扩展阅读： 交熵

2.5思与练

第3章探索“卷积神经网络”

3.1深入浅出话“卷积”

3.1.1卷积的运算过程

3.1.2卷积核对输出结果的影响

3.1.3卷积运算在图像特征提取中的应用

扩展阅读： 数字图像处理的基础知识

编程体验1： 读入一幅数字图像并显示

编程体验2： 基于matlab实现二维图像的滑动卷积

3.2解析“卷积神经网络”

3.2.1从 image 挑战赛说起

3.2.2卷积神经网络的结构

3.2.3卷积层的工作

3.2.4非线激活函数的工作

3.2.5池化层的工作

3.2.6卷积神经网络与全连接神经网络的区别

3.2.7从仿生学角度看卷积神经网络

扩展阅读： 创建image挑战赛初衷

3.3从数学的角度看卷积神经网络

3.3.1本书中采用的符号及含义

3.3.2从数学角度看卷积神经网络的工作过程

3.3.3如何求代价函数

3.3.4采用误差反向传播法确定卷积神经网络的参数

3.4认识经典的“卷积神经网络”

3.4.1解析le积神经网络

3.4.2具有里程碑意义的alex

3.4.3vgg-16卷积神经网络的结构和参数

3.4.4卷积神经网络为何会迅猛发展

3.5思与练

第4章基于matlab深度学工具箱的实现与调试

4.1构造一个用于分类的卷积神经网络

4.1.1实例需求

4.1.2开发环境

4.1.3开发步骤

4.1.4常用的构造卷积神经网络的函数

4.1.5构造卷积神经网络

4.1.6程序实现

扩展阅读： 批量归一化层的作用

编程体验： 改变卷积神经网络的结构

4.2训练一个用于预测的卷积神经网络

4.2.1实例需求

4.2.2开发步骤

4.2.3构建卷积神经网络

4.2.4训练卷积神经网络

4.2.5程序实现

扩展阅读1： 设置学率的经验与

扩展阅读2： 失活方法(dropout)的作用

扩展阅读3： 小批量方法（minibatch）的作用

编程体验： 改变网络训练配置参数

4.3采用迁移学进行物体识别

4.3.1站在巨人的肩膀上——“迁移学”

4.3.2实例需求

4.3.3开发步骤

4.3.4加载训练好的网络

4.3.5如何对网络结构和样本进行微调

4.3.6函数解析

4.3.7程序实现及运行效果

扩展阅读： 多角度看“迁移学”

4.4采用 deep work designer实现卷积网络设计

4.4.1什么是deep work designer

4.4.2如何打开deep work designer

4.4.3需求实例

4.4.4在deep work designer中构建卷积神经网络

4.4.5对网络进行训练与验证

4.4.6deep work designer的检验功能

4.5采用deep work designer实现迁移学

4.5.1基于deep work designer的网络结构调整

4.5.2对网络进行训练

4.6如何显示、分析卷积神经网络

4.6.1如何查看训练好的网络的结构和信息

4.6.2如何画出深度网络的结构图

4.6.3如何用analyzework函数查看与分析网络

4.7如何加载深度学工具箱可用的数据集

4.7.1如何加载matlab自带的数据集

4.7.2如何加载自己制作的数据集

4.7.3如何加载网络下载的数据集——以cifar-10为例

4.7.4如何划分训练集与测试集

编程体验1： 基于cifar-10数据集训练卷积神经网络

4.8如何构造一个具有捷径连接的卷积神经网络

4.8.1本节用到的函数

4.8.2实例需求

4.8.3创建含有捷径连接的卷积神经网络的实现步骤

4.8.4程序实现

4.8.5对捷径连接网络进行结构检查

编程体验： 采用例程4.8.2所构建的卷积神经网络进行图像分类

4.9思与练

第5章应用案例深度解析

5.1基于卷积神经网络的图像分类

5.1.1什么是图像分类

5.1.2评价分类的指标

5.1.3基于深度学和数据驱动的图像分类

5.1.4传统的图像分类与基于深度学的图像分类的区别

5.1.5基于alex的图像分类

5.1.6基于google的图像分类

5.1.7基于卷积神经网络的图像分类抗干扰分析

扩展阅读： 计算机视觉的发展之路

编程体验： 体验google识别图像的抗噪声能力

5.2基于le卷积神经网络的交通灯识别

5.2.1实例需求

5.2.2卷积神经网络设计

5.2.3加载交通灯数据集

5.2.4程序实现

5.3融合卷积神经网络与支持向量机的图像分类

5.3.1整体思路

5.3.2本节所用到的函数

5.3.3实现步骤与程序

编程体验： 基于alex和svm的图像分类

5.4基于r-n的交通标志检测

5.4.1目标分类、检测与分割

5.4.2目标检测及其难点问题

5.4.3r-n目标检测算法的及实现过程

5.4.4实例需求

5.4.5实现步骤

5.4.6本节所用到的函数

5.4.7程序实现

5.4.8基于alex迁移学的r-n实现

5.4.9基于image labeler的r-n目标检测器构建

5.5基于video labeler与r-n的车辆检测

5.5.1实例需求

5.5.2实现步骤

5.6思与练

参文献