深度学习：算法入门与Keras编程实践
正版图书 真实库存欢迎选购 可开电子发票 有需要联系客服！
￥ 64.94 7.2折 ￥ 89.8 全新
库存2件
天津和平
认证卖家担保交易快速发货售后保障
作者李易
出版社机械工业出版社
ISBN9787111674153
出版时间2021-04
装帧平装
开本16开
定价89.8元
货号31116955
上书时间2024-12-17
- 在售商品 暂无
- 平均发货时间 25小时
- 好评率 暂无
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
目录
前言<br/>如何获取学习资源<br/>第1章 深度学习入门<br/>1.1 Keras的介绍与安装13<br/>1.2 学习深度学习需要具备的数学基础知识16<br/>第2章 回归算法<br/>2.1 线性回归31<br/>2.2 多元线性回归39<br/>2.3 逻辑回归42<br/>第3章 神经网络入门<br/>3.1 简单神经网络的基本结构50<br/>3.2 正向传播51<br/>3.3 激活函数53<br/>3.4 MLP的反向传播与求导55<br/>3.5 MLP的损失函数59<br/>3.6 权重初始化62<br/>3.7 案例：黑白手写数字识别64<br/>第4章 神经网络进阶—如何提高性能<br/>4.1 欠拟合和过拟合问题69<br/>4.2 模型诊断与误差分析71<br/>4.3 避免过拟合的“良药”—正则化73<br/>4.4 优化算法76<br/>4.4.1 基于梯度下降法的优化算法76<br/>4.4.2 进阶优化算法78<br/>4.5 其他优化性能的方法81<br/>4.6 模型训练的检查清单83<br/>第5章 卷积神经网络<br/>5.1 CNN的构想来源86<br/>5.2 卷积层88<br/>5.3 滤波器89<br/>5.3.1 滤波器的运算规则89<br/>5.3.2 滤波器的作用91<br/>5.3.3 填充和步长95<br/>5.4 彩色图像输入98<br/>5.5 反向传播101<br/>5.6 池化层103<br/>5.7 CNN案例104<br/>5.7.1 黑白手写数字识别104<br/>5.7.2 彩色图像分类107<br/>第6章 循环神经网络<br/>6.1 RNN的基本结构115<br/>6.2 RNN的正向传播118<br/>6.3 RNN的反向传播120<br/>6.4 简单的RNN案例122<br/>6.5 训练RNN时的问题与解决方案129<br/>6.5.1 梯度爆炸和梯度消失130<br/>6.5.2 梯度问题的解决方案132<br/>6.6 解决长期依赖问题的“良药”—GRU和LSTM133<br/>6.6.1 GRU134<br/>6.6.2 LSTM138<br/>6.7 RNN案例：影评分析142<br/>6.7.1 准备知识—词嵌入142<br/>6.7.2 代码解析144<br/>第7章 自动编码器<br/>7.1 AE的结构149<br/>7.2 重构损失151<br/>7.3 简单的AE案例153<br/>7.4 Sparse AE155<br/>7.5 去噪自动编码器157<br/>7.6 上色器160<br/>第8章 变分自动编码器<br/>8.1 VAE的结构171<br/>8.2 对VAE的深层理解174<br/>8.3 损失函数175<br/>8.4 重参数技巧180<br/>8.5 VAE案例181<br/>第9章 对抗生成网络<br/>9.1 GAN的基本结构191<br/>9.2 GAN的训练192<br/>9.3 GAN的数学原理195<br/>9.4 GAN案例：DCGAN198<br/>第10章 AI的眼睛Ⅰ—基于CNN的图像识别<br/>10.1 VGGNet209<br/>10.2 Inception214<br/>10.3 ResNet220<br/>10.4 迁移学习226<br/>第11章 AI的眼睛Ⅱ—基于CNN的目标检测<br/>11.1 R-CNN232<br/>11.2 Fast R-CNN241<br/>11.3 Faster R-CNN243<br/>11.4 YOLO算法246<br/>第12章 循环神经网络的进阶算法<br/>12.1 BRNN250<br/>12.2 Encoder-Decoder255<br/>12.3 注意力机制257
内容摘要
深度学习作为人工智能领域的“排头兵”，将在未来的新一轮产业升级中起到至关重要的作用。本书以“理论＋实践”的形式帮助读者快速建立深度学习知识体系，不仅能在算法层面上理解各种神经网络模型，而且能借助功能强大且极易上手的Keras框架，熟练地搭建和训练模型，应用于解决实际问题。<br>全书共12章，内容涵盖入门深度学习的绝大部分基础知识。第1章讲解如何搭建深度学习的编程环境，并简单回顾了学习深度学习必备的数学知识。第2章从回归算法出发带领读者踏上深度学习之路。第3～9章全面讲解时下几种主流神经网络结构，包括多层感知机（MLP）、卷积神经网络（CNN）、循环神经网络（RNN）、<br>自动编码器（AE）、变分自动编码器（VAE）、对抗生成网络（GNN）等。第10～12章着重介绍时下主流的几类深度学习应用，包括图像识别、目标检测和自然语言处理等。无论是算法原理还是编程实践，本书都从易到难、循序渐进地讲解，并配合简单轻松的实例帮助读者加深印象。<br>本书不仅适合需要在工作中应用深度学习技术的专业人员，而且适合具备一定计算机编程基础的人工智能和深度学习爱好者。对于大专院校相关专业的师生，本书也是一本不错的参考读物。
— 没有更多了 —
以下为对购买帮助不大的评价