深度学习与神经网络
正版保障 假一赔十 可开发票
￥ 65.27 6.7折 ￥ 98 全新
库存38件
广东广州
认证卖家担保交易快速发货售后保障
作者赵眸光
出版社电子工业出版社
ISBN9787121444296
出版时间2022-11
装帧平装
开本其他
定价98元
货号11845213
上书时间2024-12-08
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
赵眸光，博士，以工业互联网、大数据、机器学习、计算机视觉和自然语言处理等内容为研究方向，服务于智慧城市产业化应用。大数据产业联合会会员，人工智能协会会员。大数据与人工智能智库专家。曾担任过首席架构专家、首席数据专家、企业信息资源规划专家。在清华从事过信息规划咨询，产学研合作、技术成果转化工作。从事过智慧城市的顶层设计规划工作。参与过多项项目评审工作。围绕数字金融、智慧医疗、智能交通、智能制造、智慧旅游、智慧教育、智慧园区等参与过多个项目和课题研究。出版过智慧城市、大数据、企业信息规划、信息安全等领域多本著作。从事过大型企业互联网、企业ERP、MES、云计算、大数据等信息化项目。
目录
第1章 绪论 1 1.1 与深度学习有关的几个概念 1 1.1.1 人工智能 2 1.1.2 机器学习 4 1.1.3 表示学习 10 1.1.4 机器学习、神经网络及深度学习的关系 12 1.1.5 深度学习常用的框架 14 1.2 神经网络与深度学习的发展历程 15 1.2.1 神经网络的诞生 16 1.2.2 神经网络的复兴 16 1.2.3 深度学习的崛起 17 1.3 神经网络的产生机理 18 1.3.1 大脑研究的基本情况 19 1.3.2 脑组织的基本组成 20 1.3.3 脑组织的分层结构 22 1.3.4 大脑的基本工作原理 22 1.4 生物神经网络基础 25 1.4.1 神经元的基本结构 25 1.4.2 神经元的基本分类 28 1.4.3 神经元的信息传递机理 28 1.4.4 生物神经网络的构成 31 1.5 本书的知识框架体系 32 1.6 本章小结 33 第2章 人工神经网络计算 35 2.1 神经网络概述 35 2.2 人工神经元模型 36 2.2.1 基本神经元模型 36 2.2.2 常用激活函数 38 2.2.3 Softmax输出分类 42 2.3 神经网络结构 43 2.3.1 单层前馈网络 44 2.3.2 多层前馈网络 45 2.3.3 反馈网络 46 2.3.4 图网络 46 2.4 神经网络的学习方法 47 2.4.1 无监督学习的Hebb算法 48 2.4.2 监督学习的Delta规则 49 2.5 神经网络的损失函数 50 2.5.1 均方差损失函数 50 2.5.2 平均绝对误差损失函数 50 2.5.3 交叉熵损失函数 51 2.6 神经网络的学习规则 55 2.6.1 极大似然估计 55 2.6.2 经验风险最小化准则 57 2.6.3 过拟合与欠拟合 57 2.7 梯度下降法 58 2.7.1 一维梯度下降 59 2.7.2 多维梯度下降 60 2.7.3 随机梯度下降 61 2.8 网络正则化方法 62 2.8.1 L1和L2正则化 62 2.8.2 提前停止 63 2.8.3 权重衰减 64 2.8.4 丢弃法 64 2.8.5 数据增强 69 2.8.6 标签平滑 69 2.9 模型评估方法 70 2.9.1 混淆矩阵 70 2.9.2 准确率、准确率、召回率 71 2.9.3 ROC/AUC/PR曲线 72 2.10 本章小结 74 第3章 多层感知器神经网络 75 3.1 感知器及其发展过程 75 3.2 感知器学习算法 76 3.2.1 离散单输出感知器学习算法 76 3.2.2 离散多输出感知器学习算法 77 3.2.3 多层感知器线性处理问题 79 3.3 多层感知器的算法实现 82 3.4 反向传播算法 84 3.4.1 反向传播多层感知器模型 84 3.4.2 反向传播算法的原理 85 3.4.3 反向传播算法的执行步骤 89 3.4.4 梯度消失和梯度爆炸问题 91 3.4.5 反向传播网络的数据拟合问题 92 3.5 本章小结 97 第4章 自组织竞争神经网络 98 4.1 竞争学习的概念与原理 98 4.1.1 竞争学习规则 98 4.1.2 竞争学习原理 100 4.2 SOFM网络 101 4.2.1 SOFM网络结构 101 4.2.2 运行原理 102 4.2.3 学习过程 103 4.2.4 两阶段学习 104 4.3 ART网络 105 4.3.1 ART网络结构 105 4.3.2 网络运行与训练 107 4.3.3 网络运行的参数说明 108 4.4 自组织竞争神经网络的算法实现 108 4.5 本章小结 109 第5章 径向基函数神经网络 111 5.1 径向基函数介绍及结构 111 5.2 函数逼近与内插 112 5.2.1 插值问题的定义 112 5.2.2 径向基函数的一般形式 112 5.2.3 径向基函数的性质 113 5.3 正则化理论 114 5.4 径向基函数神经网络学习 117 5.4.1 随机选取径向基函数中心 117 5.4.2 自组织学习选取径向基函数中心 118 5.4.3 有监督学习选取径向基函数中心 119 5.5 本章小结 120 第6章 卷积神经网络 122 6.1 卷积神经网络的概念及特点 122 6.1.1 卷积的定义 122 6.1.2 卷积的变形 123 6.1.3 卷积与互相关操作 124 6.1.4 卷积神经网络的特点 125 6.2 卷积神经网络的基本结构 126 6.2.1 卷积层 127 6.2.2 汇聚层 131 6.2.3 全连接层 133 6.2.4 输出层 134 6.3 卷积神经网络参数学习 134 6.4 卷积神经网络常用模型 137 6.4.1 LeNet模型 137 6.4.2 AlexNet模型 139 6.4.3 VGGNet模型 140 6.4.4 GoogLeNet模型 141 6.4.5 ResNet模型 146 6.4.6 DenseNet模型 148 6.5 卷积神经网络的算法实现 149 6.6 本章小结 152 第7章 循环神经网络 153 7.1 循环神经网络的概念 153 7.2 循环神经网络模型 154 7.3 循环神经网络参数学习 156 7.3.1 BPTT算法 156 7.3.2 RTRL算法 157 7.4 网络梯度问题改进 157 7.5 长短期记忆 158 7.6 门控循环单元网络 161 7.7 深度循环神经网络 162 7.7.1 堆叠循环神经网络 162 7.7.2 双向循环神经网络 163 7.8 循环神经网络算法实现――手写体数字识别问题 164 7.9 本章小结 168 第8章 注意力机制与反馈网络 169 8.1 注意力机制网络 170 8.1.1 注意力机制网络的概念及分类 170 8.1.2 自注意力模型 174 8.2 离散型Hopfield神经网络 176 8.2.1 网络的结构与工作方式 176 8.2.2 网络的能量状态分析 178 8.2.3 网络吸引子的性质 181 8.3 连续型Hopfield神经网络 183 8.3.1 网络的拓扑结构 183 8.3.2 网络的能量与稳定性分析 185 8.4 Hopfield神经网络应用实例 186 8.5 Hopfield神经网络求解TSP 190 8.6 本章小结 192 第9章 深度学习网络优化 193 9.1 参数初始化 193 9.1.1 固定方差参数初始化 194 9.1.2 方差缩放参数初始化 195 9.1.3 正交初始化 197 9.2 数据预处理 198 9.3 逐层归一化 201 9.3.1 批量归一化 201 9.3.2 层归一化 203 9.3.3 权重归一化 204 9.3.4 局部响应归一化 205 9.4 超参数优化 205 9.4.1 网格搜索 206 9.4.2 随机搜索 206 9.4.3 贝叶斯优化 207 9.4.4 动态资源分配 208 9.4.5 神经架构搜索 208 9.5 优化算法 209 9.5.1 空间变量的非凸优化 209 9.5.2 Momentum 210 9.5.3 NAG 211 9.5.4 AdaGrad 211 9.5.5 AdaDelta 212 9.5.6 RMSProp 212 9.5.7 Adam 212 9.6 本章小结 213 第10章 受限玻尔兹曼机和深度置信网络 214 10.1 概率图模型 214 10.2 受限玻尔兹曼机的基本结构 215 10.3 受限玻尔兹曼机的能量模型和似然函数 216 10.4 受限玻尔兹曼机的学习任务 217 10.4.1 很优参数的梯度计算 217 10.4.2 吉布斯采样 219 10.4.3 对比散度算法 220 10.5 深度置信网络 222 10.5.1 网络模型 222 10.5.2 网络训练算法 223 10.6 深度置信网络的应用 225 10.6.1 音频特征提取 225 10.6.2 多模态数据建模 226 10.7 本章小结 228 第11章 栈式自编码器 230 11.1 自编码器 230 11.2 稀疏自编码器 233 11.3 栈式自编码器的原理 234 11.4 降噪自编码器 234 11.5 自编码器的图像还原 236 11.6 自编码器的机器翻译应用 238 11.7 本章小结 239 第12章 生成对抗网络 240 12.1 深度生成模型 240 12.1.1 概率密度估计 241 12.1.2 生成样本 241 12.2 生成对抗网络的基本结构 242 12.3 原始-对偶次梯度方法训练 246 12.4 生成对抗网络的应用 249 12.4.1 人脸图像的生成 249 12.4.2 生成对抗网络的算法实现 251 12.5 本章小结 252 第13章 图神经网络 254 13.1 图网络概述 254 13.1.1 图的定义 254 13.1.2 图数据网络的性质和特点 256 13.1.3 图神经网络的发展 257 13.2 图卷积神经网络 259 13.2.1 谱域图卷积神经网络 259 13.2.2 切比雪夫网络 262 13.2.3 图卷积神经网络 263 13.3 图循环神经网络 265 13.3.1 不动点理论 266 13.3.2 归纳式图表示学习 267 13.3.3 图注意力网络 269 13.4 消息传递神经网络 271 13.5 图神经网络模型的应用 273 13.5.1 图分类 273 13.5.2 知识图谱与注意力模型 274 13.5.3 基于图神经网络的推荐系统 275 13.5.4 计算机视觉 276 13.6 本章小结 277 第14章 深度强化学习 278 14.1 强化学习概述 278 14.2 马尔可夫决策过程 280 14.2.1 价值函数 281 14.2.2 动作价值函数 281 14.2.3 很优价值函数 282 14.2.4 策略迭代 282 14.2.5 价值迭代 283 14.3 Q-Learning算法 285 14.4 Deep Q-Network强化学习 288 14.5 蒙特卡罗算法 291 14.6 AlphaGo强化学习 292 14.6.1 AlphaGo发展概述 292 14.6.2 AlphaGo Fan算法的原理 295 14.6.3 AlphaGo Zero算法的原理 300 14.7 强化学习的应用 304 14.7.1 游戏领域 304 14.7.2 机器人控制领域 305 14.7.3 自然语言处理领域 305 14.7.4 其他领域 306 14.8 本章小结 306 第15章 深度学习的可解释性 308 15.1 可解释性的定义 309 15.2 可解释性方法 309 15.2.1 模型透明度 309 15.2.2 模型功能 311 15.3 可视化方法分类 312 15.3.1 特征可视化 312 15.3.2 关系可视化 312 15.3.3 过程可视化 313 15.4 神经网络特征可视化 313 15.5 本章小结 317 第16章 多模态预训练模型 319 16.1 预训练 320 16.2 多模态数据的特征表示 321 16.2.1 文本特征 321 16.2.2 图像特征 329 16.3 Transformer模型 330 16.3.1 模型的基本结构 330 16.3.2 编码模型 331 16.3.3 解码模型 335 16.3.4 基于Transformer模型的扩展 337 16.4 预训练模型学习 342 16.4.1 预训练模型的学习方式 342 16.4.2 预训练迁移学习 346 16.5 大模型的训练与预测 348 16.5.1 大模型的共享模式和组合方式 348 16.5.2 多模态预训练方法 349 16.5.3 预训练模型实例 356 16.6 本章小结 359 附录A 主要符号 361 参考文献 363
内容摘要
神经网络与深度学习是人工智能研究的重要领域，是机器学习的重要组成部分。人工智能是研究理解和模拟人类智能、智能行为及其规律的科学。本书紧紧围绕神经网络和深度学习的基础知识体系进行系统的梳理，力求从基础理论、经典模型和前沿应用展开论述，便于读者能够较为全面地掌握深度学习的相关知识。全书共 16 章。第 1 章是绪论，简要介绍人工智能、机器学习、神经网络与深度学习的基本概念及相互关系，并对神经网络的发展历程和产生机理进行阐述；第2章介绍神经网络的基本神经元模型、网络结构、学习方法、学习规则、正则化方法、模型评估方法等基础知识；第3～8章介绍多层感知器神经网络、自组织竞争神经网络、径向基函数神经网络、卷积神经网络、循环神经网络、注意力机制与反馈网络；第9章介绍深度学习网络优化的相关内容；第 10～13章介绍受限玻尔兹曼机和深度置信网络、栈式自编码器、生成对抗网络和图神经网络；第 14 章介绍深度强化学习；第15章介绍深度学习的可解释性；第16章介绍多模态预训练模型。深度学习是源于对含有多个隐藏层的神经网络结构进行的研究，以便建立和模拟人脑的学习过程。本书整理了人工神经网络从简单到复杂的模型，归纳和总结了神经网络的理论、方法和应用实践。本书可以作为高等院校人工智能及相关专业或非计算机专业的参考用书，也可以作为人工智能领域的科技工作者或科研机构工作人员的参考用书。
精彩内容
神经网络与深度学习是人工智能研究的重要领域，是机器学习的重要组成部分。人工智能是研究理解和模拟人类智能、智能行为及其规律的科学。本书紧紧围绕神经网络和深度学习的基础知识体系进行系统的梳理，力求从基础理论、经典模型和前沿应用展开论述，便于读者能够较为全面地掌握深度学习的相关知识。全书共 16 章。第 1 章是绪论，简要介绍人工智能、机器学习、神经网络与深度学习的基本概念及相互关系，并对神经网络的发展历程和产生机理进行阐述；第2章介绍神经网络的基本神经元模型、网络结构、学习方法、学习规则、正则化方法、模型评估方法等基础知识；第3～8章介绍多层感知器神经网络、自组织竞争神经网络、径向基函数神经网络、卷积神经网络、循环神经网络、注意力机制与反馈网络；第9章介绍深度学习网络优化的相关内容；第 10～13章介绍受限玻尔兹曼机和深度置信网络、栈式自编码器、生成对抗网络和图神经网络；第 14 章介绍深度强化学习；第15章介绍深度学习的可解释性；第16章介绍多模态预训练模型。深度学习是源于对含有多个隐藏层的神经网络结构进行的研究，以便建立和模拟人脑的学习过程。本书整理了人工神经网络从简单到复杂的模型，归纳和总结了神经网络的理论、方法和应用实践。本书可以作为高等院校人工智能及相关专业或非计算机专业的参考用书，也可以作为人工智能领域的科技工作者或科研机构工作人员的参考用书。
— 没有更多了 —
以下为对购买帮助不大的评价