C#神经网络编程

图书标准信息

• 作者 [美]马特·R.科尔（Matt R.Cole） 著；刘安 译
• 出版社 机械工业出版社
• 出版时间 2019-06
• 版次 1
• ISBN 9787111629382
• 定价 89.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 224页

【内容简介】

本书遵循循序渐进、兼顾理论和实践的原则，从神经网络基本概念入手，以图文并茂的形式生动地讲解激活函数和反向传播等概念原理，并以人脸识别和动作检测为例，让读者直观地了解深度学习的应用场景，在知识内容方面，不但包含决策树、随机森林等常规算法，还重点讲解了LSTM、CNN神经网络等主流算法，在代码实践方面，比较深入地讲解开发细节，详细介绍了相关网络结构、参数调优和各种网络的对照比较，对程序员实际动手有比较强的参考意义。此外，本书还包含了常用激活函数，读者可以方便的在附录中查询相关函数特性，是一本集原理、实践与资料查询为一体的书籍。

【作者简介】

马特·R科尔（Matt R Cole）是一名经验丰富的开发人员和作者，在Microsoft Windows、C、C++、 C#和NET方面有30年的经验。他是Evolved AI Solutions公司的老板，该公司是高级机器学习/生物AI技术的主要供应商。他开发了个完全用C#和NET编写的企业级微服务框架，该框架被纽约一家大型对冲基金生产。他还开发了个完全整合镜像和标准神经元的生物人工智能框架。

【目录】

译者序 

前言 

关于作者 

关于审校者 

第1章　快速预览 1 

11　神经网络概述 2 

111　神经网络训练 4 

112　神经网络的结构指南 4 

12　神经网络在当今企业中的作用 6 

13　学习的类型 6 

131　有监督学习 7 

132　无监督学习 7 

133　强化学习 7 

14　了解感知器 7 

15　了解激活函数 10 

151　激活函数绘图 12 

152　函数绘图 13 

16　了解后向传播 16 

17　小结 17 

18　参考文献 17 

第2章　构建第一个神经网络 18 

21　一个简单的神经网络 18 

22　神经网络训练 19 

221　突触 20 

222　神经元 21 

223　前向传播 21 

224　Sigmoid函数 21 

225　后向传播 22 

226　计算误差 23 

227　计算梯度 23 

228　更新权重 23 

229　计算值 23 

23　神经网络函数 24 

231　创建新网络 24 

232　导入现有网络 24 

233　导入数据集 27 

234　网络运算 27 

235　导出网络 28 

236　训练网络 28 

237　测试网络 29 

238　计算前向传播 29 

239　将网络导出为JSON格式 29 

2310　导出数据集 30 

24　神经网络 30 

25　例子 31 

251　训练到最小值 31 

252　训练到最大值 31 

26　小结 32 

第3章　决策树和随机森林 33 

31　决策树 33 

311　决策树的优点 34 

312　决策树的缺点 35 

313　何时应该使用决策树 35 

32　随机森林 35 

321　随机森林的优点 36 

322　随机森林的缺点 36 

323　何时应该使用随机森林 36 

33　SharpLearning 37 

331　术语 37 

332　加载和保存模型 37 

34　示例代码和应用程序 41 

341　保存模型 41 

342　均方差回归指标 41 

343　F1分数 41 

344　优化 42 

345　示例应用程序1 42 

346　示例应用程序2—葡萄酒质量 43 

35　小结 45 

36　参考文献 45 

第4章　面部和运动检测 46 

41　面部检测 46 

42　运动检测 54 

43　小结 59 

第5章　使用ConvNetSharp训练CNN 60 

51　热身 60 

52　过滤器 64 

53　创建网络 64 

531　第一个简单的例子 65 

532　第二个简单的例子 66 

533　第三个简单的例子 67 

534　使用Fluent API 68 

54　GPU 68 

55　使用MNIST数据集进行流畅设计训练 68 

56　训练网络 69 

561　测试数据 70 

562　预测数据 71 

563 　计算图 71 

57　小结 73 

58　参考文献 73 

第6章　使用 RNNSharp训练自动编码器 74 

61　什么是自动编码器 74 

62　自动编码器的分类 74 

621　标准自动编码器 75 

622　变分自动编码器 76 

623　降噪自动编码器 76 

624　稀疏自动编码器 76 

63　创建自己的自动编码器 76 

64　小结 87 

65　参考文献 88 

第7章　用PSO代替后向传播 89 

71　基础理论 89 

711　群体智能 90 

712　粒子群优化算法 90 

72　用粒子群优化算法代替后向传播 94 

73　小结 98 

第8章　函数优化 99 

81　入门 100 

82　函数最小化和最大化 103 

821　什么是粒子 104 

822　Swarm初始化 106 

823　图表初始化 107 

824　状态初始化 108 

825　控制随机性 109 

826　更新群体位置 110 

827　更新群速度 110 

828　主程序初始化 110 

829　运行粒子群优化 111 

8210　用户界面 112 

83　超参数和调参 113 

831　函数 113 

832　策略 114 

833　维度大小 115 

834　上限 115 

835　下限 116 

836　上限速度 116 

837　下限速度 117 

838　小数位 117 

839　群体大小 117 

8310　最大迭代次数 118 

8311　惯性 119 

8312　社交权重 120 

8313　认知权重 121 

8314　惯性权重 122 

84　可视化 122 

841　二维可视化 122 

842　三维可视化 123 

85　绘制结果 128 

851　回放结果 128 

852　更新信息树 130 

86　添加新的优化函数 131 

861　目的 131 

862　添加新函数的步骤 131 

863　添加新函数示例 132 

87　小结 135 

第9章　寻找最佳参数 136 

91　优化 136 

911　什么是适配函数 137 

912　约束 137 

913　元优化 139 

92　优化方法 141 

921　选择优化器 141 

922　梯度下降 141 

923　模式搜索 141 

924　局部单峰采样 142 

925　差异进化 142 

926　粒子群优化 143 

927　多优化联络员 143 

928　网格 143 

93　并行 144 

931　并行化优化问题 144 

932　并行优化方法 144 

933　编写代码 144 

934　执行元优化 146 

935　计算适配度 146 

936　测试自定义问题 148 

9