消息 首页 搜索 举报
  • 深度学习(高等学校智能科学与技术专业系列教材)
21年品牌 40万+商家 超1.5亿件商品

深度学习(高等学校智能科学与技术专业系列教材)

全新正版 极速发货

￥ 13.2 4.9折 ￥ 27 全新

库存46件

浙江嘉兴
认证卖家担保交易快速发货售后保障

作者周尚波

出版社西安电子科技大学出版社

ISBN9787560660141

出版时间2021-06

装帧平装

开本16开

定价27元

货号31254249

上书时间2024-10-30

學源图书专营店
已实名 已认证 进店 收藏店铺
  • 最新上架

   商品详情   

品相描述：全新
商品描述
商品简介

本书较完整地介绍了深度学习的基本概念、方法和技术。全书共10章，重点介绍了深度学习的基础知识、深度学习的基本算法、深度学习中的正则化以及几个典型的深度神经网络（如深度卷积神经网络、深度循环神经网络、深度生成式对抗网络、自编码器、深度信念网络、胶囊网络等）。
本书内容丰富、叙述详细、实用性强，适合具有一定数学基础的高年级本科生或相关专业的研究生使用，也可供不具有深度学习背景但对深度学习感兴趣的相关人员参考。



 
 
 
 

目录
第1章  绪论
  1.1  深度学习的兴起
  1.2  什么是深度学习
  1.3  为什么采用深度学习
  1.4  深度学习的应用
    1.4.1  计算机视觉
    1.4.2  语音识别
    1.4.3  自然语言处理
  习题
第2章  深度学习的基础知识
  2.1  泛化误差
    2.1.1  点估计
    2.1.2  偏差和方差
  2.2  神经网络结构
    2.2.1  神经元
    2.2.2  激活函数
    2.2.3  隐藏单元
    2.2.4  输出单元
    2.2.5  架构设计
  2.3  数据准备
    2.3.1  噪声注入
    2.3.2  数据扩充
  2.4  超参数与验证集
  2.5  规模与特征工程
    2.5.1  规模
    2.5.2  特征工程
  2.6  损失函数
  2.7  模型训练中的问题
  习题
第3章  深度学习的基本算法
  3.1  经典算法
    3.1.1  监督学习
    3.1.2  无监督学习
    3.1.3  半监督学习
    3.1.4  强化学习
  3.2  梯度下降算法
    3.2.1  梯度下降原理
    3.2.2  随机梯度下降算法
    3.2.3  批量梯度下降算法
    3.2.4  小批量梯度下降算法
  3.3  动量算法
    3.3.1  动量
    3.3.2  Nesterov动量算法
  3.4  反向传播算法
    3.4.1  前馈神经网络
    3.4.2  反向传播算法
    3.4.3  反向传播算法实例
  3.5  弱监督学习
    3.5.1  不完全监督学习
    3.5.2  不确切监督学习
    3.5.3  不准确监督学习
  3.6  迁移学习
    3.6.1  迁移学习的相关定义
    3.6.2  迁移学习的分类
    3.6.3  知识蒸馏
  3.7  小样本学习
    3.7.1  基于fine-tune的小样本学习
    3.7.2  基于metric的小样本学习
    3.7.3  基于图神经网络的小样本学习
    3.7.4  基于元学习的小样本学习
  习题
第4章  深度学习中的正则化
  4.1  参数范数惩罚
    4.1.1  L2参数正则化
    4.1.2  L2参数正则化
  4.2  参数绑定与参数共享
  4.3  稀疏表征
    4.3.1  稀疏表示
    4.3.2  稀疏模型
  4.4  提前终止
  4.5  Bagging
  4.6  Dropout
    4.6.1  Dropout的工作流程
    4.6.2  Dropout在神经网络中的使用
  习题
第5章  深度卷积神经网络
  5.1  卷积神经网络的生物机理
  5.2  卷积神经网络的原理和结构
  5.3  卷积层
    5.3.1  卷积
    5.3.2  卷积的变种
    5.3.3  卷积层的输出
  5.4  池化层
  5.5  非线性映射层
  5.6  空间批量归一化
  5.7  全连接层
  5.8  典型的卷积神经网络
    5.8.1  LeNet-5网络
    5.8.2  AlexNet网络
    5.8.3  Inception网络
    5.8.4  ResNet网络
    5.8.5  R-CNN网络
    5.8.6  YOLO网络
  5.9  全卷积神经网络
    5.9.1  U-Net网络
    5.9.2  SegNet网络
  习题
第6章  深度循环神经网络
  6.1  简单循环神经网络
    6.1.1  简单循环神经网络的结构
    6.1.2  简单循环神经网络的训练
  6.2  双向循环神经网络
  6.3  深度循环网络的结构
  6.4  解码-编码网络的结构
  6.5  门控循环神经网络
    6.5.1  门控循环神经网络的结构框架
    6.5.2  门控结构单元
    6.5.3  门控神经网络的改进
  6.6  递归神经网络
    6.6.1  递归神经网络的结构
    6.6.2  递归神经网络的前向计算
    6.6.3  递归神经网络的应用
  6.7  注意力机制
    6.7.1  注意力机制的原理
    6.7.2  transformer的架构
    6.7.3  transformer。的应用
    6.7.4  计算机视觉的注意力机制
  习题
第7章  深度生成式对抗网络
  7.1  生成式对抗网络的基本原理
  7.2  生成式对抗网络的设计
  7.3  生成式对抗网络的改进
    7.3.1  WGAN
    7.3.2  LSGAN
  7.4  生成式对抗网络在图像中的应用
  习题
第8章  自编码器
  8.1  欠完备自编码器
  8.2  正则自编码器
    8.2.1  稀疏自编码器
    8.2.2  去噪自编码器
  8.3  随机自编码器
  8.4  深度自编码器
  8.5  变分自编码器
  习题
第9章  深度信念网络
  9.1  Boltzmann机
    9.1.1  Boltzmann机的模型
    9.1.2  Boltzmann机的状态更新算法
  9.2  受限Boltzmann机
    9.2.1  受限Boltzmann机的学习目标
    9.2.2  受限Boltzmann机的学习方法
  9.3  深度信念网络
    9.3.1  深度信念网络的设计
    9.3.2  深度信念网络的参数学习
  习题
第10章  胶囊网络
  10.1  胶囊网络的基本概念
  10.2  胶囊网络的工作原理
    10.2.1  胶囊网络的核心思想
    10.2.2  胶囊网络的工作过程
    10.2.3  囊间动态路由算法
  10.3  胶囊网络的典型应用
  习题
附录
  附录A  深度学习常用的工具
  附录B  深度学习常用的开放数据集
参考文献

内容摘要
 本书较完整地介绍了深度学习的基本概念、方法和技术。全书共10章，重点介绍了深度学习的基础知识、
深度学习的基本算法、深度学习中的正则化以及几个典型的深度神经网络（如深度卷积神经网络、深度循环神经网络、深度生成式对抗网络、自编码器、深度信念网络、胶囊网络等）。
本书内容丰富、叙述详细、实用性强，适合具有一
定数学基础的高年级本科生
或相关专业的研究生使用，也可供不具有深度学习背景但对深度学习感兴趣的相关人员参考。

   相关推荐   

—  没有更多了  —

店铺评价
消息 首页 搜索

以下为对购买帮助不大的评价

此功能需要访问孔网APP才能使用
暂时不用
打开孔网APP