深度学习模型与算法基础
正版保障 假一赔十 可开发票
￥ 35.31 6.4折 ￥ 55 全新
库存2件
广东广州
认证卖家担保交易快速发货售后保障
作者许庆阳，宋勇，张承进编著
出版社清华大学出版社
ISBN9787302651079
出版时间2023-12
装帧平装
开本其他
定价55元
货号15003079
上书时间2024-09-19
商品详情
- 品相描述：全新
- 商品描述
-
作者简介
许庆阳山东大学副教授、博士、博士生导师，主要从事智能机器人、人工智能、深度学习、智能优化算法等方面的教学与科研工作。参与科技部科技创新2030—“新一代人工智能”重大项目，承担国家自然科学基金1项、山东省重点研发计划1项，完成了山东省自然科学基金1项。在国内外学术期刊发表学术论文25余篇，其中SCI已收录17篇，申请发明专利5项。
目录
第1章 绪论…………………………………………………………………………………… 1 1.1 人工神经网络发展史 ……………………………………………………………… 1 1.1.1 人工神经网络的提出……………………………………………………… 1 1.1.2 人工神经网络的陨落……………………………………………………… 2 1.1.3 人工神经网络的兴起……………………………………………………… 3 1.1.4 深度学习的提出…………………………………………………………… 4 1.2 人工神经网络学习机理 …………………………………………………………… 6 1.2.1 生物学机理………………………………………………………………… 6 1.2.2 浅层学习…………………………………………………………………… 7 1.2.3 深度学习…………………………………………………………………… 7 1.2.4 特征学习…………………………………………………………………… 9 第2章 神经网络基础 ……………………………………………………………………… 11 2.1 概述………………………………………………………………………………… 11 2.2 感知器……………………………………………………………………………… 12 2.2.1 感知器学习规则 ………………………………………………………… 12 2.2.2 感知器原理 ……………………………………………………………… 13 2.3 线性单元…………………………………………………………………………… 16 2.4 δ 学习规则 ………………………………………………………………………… 17 2.5 BP神经网络结构 ………………………………………………………………… 20 2.5.1 BP神经网络原理………………………………………………………… 20 2.5.2 BP神经元偏移量………………………………………………………… 23 2.5.3 BP神经网络非线性表达能力…………………………………………… 24 2.6 反向传播算法……………………………………………………………………… 25 2.6.1 误差项推导 ……………………………………………………………… 25 2.6.2 误差反向传播算法流程 ………………………………………………… 27 2.6.3 误差反向传播算法计算示例 …………………………………………… 28 2.7 梯度检查…………………………………………………………………………… 30 2.8 超参数的确定……………………………………………………………………… 31 2.9 模型训练与评估…………………………………………………………………… 32 Ⅳ 2.10 向量化编程 ……………………………………………………………………… 33 第3章 自编码器 …………………………………………………………………………… 35 3.1 自编码器原理……………………………………………………………………… 35 3.2 不同种类的自编码器……………………………………………………………… 36 3.2.1 正则自编码器 …………………………………………………………… 37 3.2.2 稀疏自编码器 …………………………………………………………… 39 3.2.3 去噪自编码器 …………………………………………………………… 41 3.3 堆叠自编码器……………………………………………………………………… 42 3.4 预训练与深度学习………………………………………………………………… 43 3.5 Softmax与交叉熵函数融合 ……………………………………………………… 45 3.6 深度神经网络权值初始化方法…………………………………………………… 48 3.6.1 Xavier初始化方法 ……………………………………………………… 48 3.6.2 Kaiming初始化方法 …………………………………………………… 49 3.6.3 LeCun初始化方法 ……………………………………………………… 49 第4章 卷积神经网络 ……………………………………………………………………… 50 4.1 全连接神经网络局限性…………………………………………………………… 50 4.2 卷积神经网络原理………………………………………………………………… 52 4.3 卷积神经网络前向计算…………………………………………………………… 54 4.3.1 新的激活函数 …………………………………………………………… 54 4.3.2 卷积层 …………………………………………………………………… 59 4.3.3 池化层 …………………………………………………………………… 64 4.3.4 全连接层 ………………………………………………………………… 64 4.4 卷积网络计算实例………………………………………………………………… 65 4.5 卷积神经网络训练………………………………………………………………… 71 4.5.1 池化层误差传递 ………………………………………………………… 72 4.5.2 卷积层误差传递 ………………………………………………………… 75 4.5.3 卷积层参数训练 ………………………………………………………… 79 4.5.4 卷积神经网络训练流程 ………………………………………………… 80 4.5.5 卷积神经网络训练计算实例 …………………………………………… 81 4.6 深度神经网络计算模式…………………………………………………………… 82 4.6.1 卷积计算加速 …………………………………………………………… 82 4.6.2 自动微分方法 …………………………………………………………… 84 第5章 卷积神经网络结构演化 …………………………………………………………… 86 5.1 典型的卷积神经网络……………………………………………………………… 87 5.1.1 卷积网络加深 …………………………………………………………… 87 5.1.2 卷积网络拓宽 …………………………………………………………… 93 Ⅴ 5.1.3 残差网络 ………………………………………………………………… 99 5.2 轻量化网络 ……………………………………………………………………… 101 5.3 卷积操作模式设计 ……………………………………………………………… 106 5.4 全卷积网络 ……………………………………………………………………… 113 第6章 深度残差网络……………………………………………………………………… 116 6.1 概述 ……………………………………………………………………………… 116 6.2 残差网络结构 …………………………………………………………………… 116 6.3 残差网络讨论 …………………………………………………………………… 120 6.4 HighwayNetwork ……………………………………………………………… 120 6.5 残差网络变体 …………………………………………………………………… 121 6.5.1 WideResidualNetwork ……………………………………………… 121 6.5.2 ResNeXt ……………………………………………………………… 122 6.5.3 DenseNet ……………………………………………………………… 123 6.5.4 DPN …………………………………………………………………… 124 第7章 目标检测算法……………………………………………………………………… 126 7.1 传统目标检测方法 ……………………………………………………………… 126 7.2 基于深度学习的目标检测方法 ………………………………………………… 128 7.2.1 目标检测常用技术……………………………………………………… 129 7.2.2 R-CNN ………………………………………………………………… 130 7.2.3 SPP-Net………………………………………………………………… 134 7.2.4 FastR-CNN …………………………………………………………… 136 7.2.5 FasterR-CNN ………………………………………………………… 140 7.2.6 YOLO ………………………………………………………………… 148 7.2.7 SSD …………………………………………………………………… 159 7.3 目标检测算法的改进 …………………………………………………………… 164 第8章 循环神经网络……………………………………………………………………… 167 8.1 循环神经网络概述 ……………………………………………………………… 167 8.1.1 循环神经网络原理……………………………………………………… 168 8.1.2 双向循环神经网络……………………………………………………… 170 8.1.3 深度循环神经网络……………………………………………………… 171 8.1.4 典型循环神经网络结构………………………………………………… 172 8.2 循环神经网络训练算法 ………………………………………………………… 174 8.2.1 BPTT 训练算法………………………………………………………… 174 8.2.2 实时循环学习算法……………………………………………………… 182 8.2.3 梯度爆炸与消失问题…………………………………………………… 182 8.3 RNN 应用………………………………………………………………………… 183 Ⅵ 第9章 长短时记忆网络…………………………………………………………………… 187 9.1 LSTM 原理 ……………………………………………………………………… 187 9.2 LSTM 前向计算 ………………………………………………………………… 188 9.3 LSTM 网络训练 ………………………………………………………………… 191 9.3.1 网络训练算法…………………………………………………………… 191 9.3.2 误差项沿时间传递……………………………………………………… 193 9.3.3 误差项沿网络层次传递………………………………………………… 198 9.4 GRU ……………………………………………………………………………… 199 9.4.1 GRU 前向计算 ………………………………………………………… 199 9.4.2 GRU 训练算法 ………………………………………………………… 201 第10章 Transformer……………………………………………………………………… 204 10.1 神经网络注意力机制 ………………………………………………………… 204 10.1.1 神经网络注意力机制原理 ………………………………………… 205 10.1.2 自注意力机制 ……………………………………………………… 207 10.2 Transformer模型 …………………………………………………………… 211 10.2.1 编码器模块 ………………………………………………………… 211 10.2.2 解码器模块 ………………………………………………………… 214 10.3 神经网络语言模型 …………………………………………………………… 217 10.3.1 GPT 模型 …………………………………………………………… 218 10.3.2 BERT 模型 ………………………………………………………… 225 10.3.3 GLM 模型 ………………………………………………………… 227 第11章 生成式模型 ……………………………………………………………………… 230 11.1 概述 …………………………………………………………………………… 230 11.2 生成对抗网络 ………………………………………………………………… 230 11.2.1 生成模型 …………………………………………………………… 232 11.2.2 判别模型 …………………………………………………………… 234 11.2.3 目标函数 …………………………………………………………… 236 11.2.4 典型生成对抗网络 ………………………………………………… 238 11.3 变分自编码器 ………………………………………………………………… 240 11.3.1 模型推导 …………………………………………………………… 241 11.3.2 讨论 ………………………………………………………………… 244 11.3.3 VAE 实现 …………………………………………………………… 244 11.4 自回归模型 …………………………………………………………………… 246 11.5 扩散模型 ……………………………………………………………………… 247 Ⅶ 第12章 深度学习框架 …………………………………………………………………… 249 12.1 计算图 ………………………………………………………………………… 249 12.2 典型深度学习框架 …………………………………………………………… 250 12.2.1 国外深度学习框架 ………………………………………………… 251 12.2.2 国内深度学习框架 ………………………………………………… 254 参考文献……………………………………………………………………………………… 259
内容摘要
随着我国逐步由信息化社会向智能化社会发展，人工智能技术作为智能社会的重要组成部分，备受关注。从智能语音助手到自动驾驶汽车，从智能医疗到智能家居，人工智能技术正在改变着我们的生活方式。深度学习方法作为实现人工智能的重要手段，无论在图像理解、语音识别、自然语言处理等领域都展现出了超越传统算法的实力。因此，人工智能、机器人工程、智能科学与技术等新工科专业将其列为必修课程，以便学生们能够掌握到这一前沿技术的核心知识和技能。而自动化、计算机科学与技术等传统专业也将其列为专业选修课程，以便学生们能够扩展自己的知识领域和提升自身的竞争力。
本书是一本全面介绍深度学习常见理论模型与算法的教材，涵盖了深度学习的发展历程、基础理论、核心算法、应用领域以及相关工具。通过对常见的深度学习模型进行剖析，阐述神经网络前向计算中的数据转换原理，并细致地推导和分析了神经网络参数学习方法，从而使学生能够充分地理解神经网络的工作原理以及网络架构设计思路，以便学生在以后的科研和工作过程中，能够进行自主架构的设计，提升我国的自主创新能力。
主编推荐
深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。
精彩内容
随着我国逐步由信息化社会向智能化社会发展，人工智能技术作为智能社会的重要组成部分，备受关注。从智能语音助手到自动驾驶汽车，从智能医疗到智能家居，人工智能技术正在改变着我们的生活方式。深度学习方法作为实现人工智能的重要手段，无论在图像理解、语音识别、自然语言处理等领域都展现出了超越传统算法的实力。因此，人工智能、机器人工程、智能科学与技术等新工科专业将其列为必修课程，以便学生们能够掌握到这一前沿技术的核心知识和技能。而自动化、计算机科学与技术等传统专业也将其列为专业选修课程，以便学生们能够扩展自己的知识领域和提升自身的竞争力。
本书是一本全面介绍深度学习常见理论模型与算法的教材，涵盖了深度学习的发展历程、基础理论、核心算法、应用领域以及相关工具。通过对常见的深度学习模型进行剖析，阐述神经网络前向计算中的数据转换原理，并细致地推导和分析了神经网络参数学习方法，从而使学生能够充分地理解神经网络的工作原理以及网络架构设计思路，以便学生在以后的科研和工作过程中，能够进行自主架构的设计，提升我国的自主创新能力。
— 没有更多了 —
以下为对购买帮助不大的评价