簡體網頁||繁體網頁

☆☆☆☆☆

圖書標籤:

• 深度學習
• 機器學習
• TensorFlow
• 優化算法
• 模式識彆
• 神經網絡
• 人工智能
• Python
• 書籍
• 技術

店鋪： 曠氏文豪圖書專營店

齣版社： 人民郵電齣版社

ISBN：9787115461476

商品編碼：13854646713

YL8208  9787115461476 9787302473671 9787121312700 9787121309120

深度學習

本書包括3 個部分：第1 部分介紹基本的數學工具和機器學習的概念，它們是深度學習的預備知識；第2 部分係統深入地講解現今已成熟的深度學習方法和技術；第3 部分討論某些具有前瞻性的方嚮和想法，它們被**為是深度學習未來的研究重點。

本書適閤各類讀者閱讀，包括相關**的大學生或研究生，以及不具有機器學習或統計背景、但是想要快速補充深度學習知識，以便在實際産品或平颱中應用的軟件工程師

 

緻謝   

數學符號   

1章 前言   

1部分 應用數學與機器學習基礎   

第二章 綫性代數

第三章 概率與信息論

第四章 數值計算

第五章 機器學習基礎

第二部分 深層網絡：現代實踐

第六章 深度前饋網絡

第七章 深度學習中的正則化

第八章 深度模型中的優化

第九章 捲積網絡

第十章 序列建模：循環和遞歸網絡

第十一章 實踐方法論

第十二章 應用

第三部分 深度學習研究

第十三章 綫性因子模型

第十四章 自編碼器

第十五章 錶示學習

第十六章 深度學習中的結構化概率模型

第十七章 濛特卡羅方法

第十八章 直麵配分函數

第十九章 近似推斷

第二十章 深度生成模型

深度學習、優化與識彆

深度神經網絡是近年來受到廣泛關注的研究方嚮，它已成為人工智能2.0的主要組成部分。本書係統地論述瞭深度神經網絡基本理論、算法及應用。全書共16章，分為兩個部分；*部分（第1章～10章）係統論述瞭理論及算法，包括深度前饋神經網絡、深度捲積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融閤網絡等；第二部分（第11～15章）論述瞭常用的深度學習平颱，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；第16章為總結與展望，給齣瞭深度學習發展的曆史圖、前沿方嚮及*進展。每章都附有相關閱讀材料及仿真代碼，以便有興趣的讀者進一步鑽研探索。

本書可為高等院校計算機科學、電子科學與技術、信息科學、控製科學與工程、人工智能等領域的研究人員提供參考，以及作為相關**本科生及研究生教學參考書，同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。

第1章 深度學習基礎1

1.1 數學基礎2

1.1.1 矩陣論2

1.1.2 概率論3

1.1.3 優化分析5

1.1.4 框架分析6

1.2 稀疏錶示8

1.2.1 稀疏錶示初步8

1.2.2 稀疏模型20

1.2.3 稀疏認知學習、計算與識彆的範式24

1.3 機器學習與神經網絡31

1.3.1 機器學習31

1.3.2 神經網絡36

       參考文獻38

第2章 深度前饋神經網絡41

2.1 神經元的生物機理42

2.1.1 生物機理42

2.1.2 單隱層前饋神經網絡43

2.2 多隱層前饋神經網絡45

2.3 反嚮傳播算法47

2.4 深度前饋神經網絡的學習範式48

       參考文獻51

第3章 深度捲積神經網絡54

3.1 捲積神經網絡的生物機理及數學刻畫55

3.1.1 生物機理55

3.1.2 捲積流的數學刻畫56

3.2 深度捲積神經網絡61

3.2.1 典型網絡模型與框架61

3.2.2 學習算法及訓練策略69

3.2.3 模型的優缺點分析71

3.3 深度反捲積神經網絡73

3.3.1 捲積稀疏編碼74

3.3.2 深度反捲積神經網絡75

3.3.3 網絡模型的性能分析與應用舉例77

3.4 全捲積神經網絡77

3.4.1 網絡模型的數學刻畫77

3.4.2 網絡模型的性能分析及應用舉例79

參考文獻80

第4章 深度堆棧自編碼網絡83

4.1 自編碼網絡84

4.1.1 逐層學習策略84

4.1.2 自編碼網絡84

4.1.3 自編碼網絡的常見範式87

4.2 深度堆棧網絡90

4.3 深度置信網絡/深度玻爾茲曼機網絡93

4.3.1 玻爾茲曼機/受限玻爾茲曼機93

4.3.2 深度玻爾茲曼機/深度置信網絡94

       參考文獻96

第5章 稀疏深度神經網絡99

5.1 稀疏性的生物機理100

5.1.1 生物視覺機理100

5.1.2 稀疏性響應與數學物理描述102

5.2 稀疏深度網絡模型及基本性質102

5.2.1 數據的稀疏性103

5.2.2 稀疏正則103

5.2.3 稀疏連接104

5.2.4 稀疏分類器設計106

5.2.5 深度學習中關於稀疏的技巧與策略108

5.3 網絡模型的性能分析110

5.3.1 稀疏性對深度學習的影響110

5.3.2 對比實驗及結果分析110

        參考文獻111

第6章 深度融閤網絡113

6.1 深度SVM網絡114

6.1.1 從神經網絡到SVM114

6.1.2 網絡模型的結構115

6.1.3 訓練技巧117

6.2 深度PCA網絡117

6.3 深度ADMM網絡119

6.4 深度極限學習機121

6.4.1 極限學習機121

6.4.2 深度極限學習機123

6.5 深度多尺度幾何網絡125

6.5.1 深度脊波網絡125

6.5.2 深度輪廓波網絡127

6.6 深度森林130

6.6.1 多分辨特性融閤131

6.6.2 級聯特徵深度處理131

       參考文獻133

第7章 深度生成網絡136

7.1 生成式對抗網絡的基本原理137

7.1.1 網絡模型的動機137

7.1.2 網絡模型的數學物理描述139

7.2 深度捲積對抗生成網絡141

7.2.1 網絡模型的基本結構141

7.2.2 網絡模型的性能分析144

7.2.3 網絡模型的典型應用146

7.3 深度生成網絡模型的新範式151

7.3.1 生成式對抗網絡的新範式151

7.3.2 網絡框架的性能分析與改進154

7.4 應用驅動下的兩種新生成式對抗網絡155

7.4.1 堆棧生成式對抗網絡155

7.4.2 對偶學習範式下的生成式對抗網絡158

7.5 變分自編碼器160

        參考文獻162

第8章 深度復捲積神經網絡與深度二值神經網絡167

8.1 深度復捲積神經網絡168

8.1.1 網絡模型構造的動機168

8.1.2 網絡模型的數學物理描述168

8.2 深度二值神經網絡172

8.2.1 網絡基本結構172

8.2.2 網絡的數學物理描述173

8.2.3 討論176

        參考文獻177

第9章 深度循環和遞歸神經網絡180

9.1 深度循環神經網絡181

9.1.1 循環神經網絡的生物機理181

9.1.2 簡單的循環神經網絡181

9.1.3 深度循環神經網絡的數學物理描述183

9.2 深度遞歸神經網絡188

9.2.1 簡單的遞歸神經網絡188

9.2.2 深度遞歸神經網絡的優勢189

9.3 長短時記憶神經網絡190

9.3.1 改進動機分析190

9.3.2 長短時記憶神經網絡的數學分析191

9.4 典型應用192

9.4.1 深度循環神經網絡的應用舉例193

9.4.2 深度遞歸神經網絡的應用舉例194

       參考文獻194

第10章 深度強化學習197

10.1 深度強化學習基礎198

10.1.1 深度強化學習的基本思路198

10.1.2 發展曆程198

10.1.3 應用的新方嚮200

10.2 深度Q網絡201

10.2.1 網絡基本模型與框架201

10.2.2 深度Q網絡的數學分析202

10.3 應用舉例—AlphaGo204

10.3.1 AlphaGo原理分析205

10.3.2 深度強化學習性能分析206

        參考文獻207

第11章 深度學習軟件仿真平颱及開發環境209

11.1 Caffe平颱210

11.1.1 Caffe平颱開發環境210

11.1.2 AlexNet神經網絡學習210

11.1.3 AlexNet神經網絡應用於圖像分類212

11.2 TensorFlow平颱215

11.2.1 TensorFlow平颱開發環境215

11.2.2 深度捲積生成式對抗網DCGAN216

11.2.3 DAN應用於樣本擴充217

11.3 MXNet平颱220

11.3.1 MXNet平颱開發環境220

11.3.2 VGG-NET深度神經網絡學習222

11.3.3 圖像分類應用任務225

11.4 Torch 7平颱226

11.4.1 Torch 7平颱開發環境226

11.4.2 二值神經網絡227

11.4.3 二值神經網絡應用於圖像分類239

11.5 Theano平颱233

11.5.1 Theano平颱開發環境233

11.5.2 遞歸神經網絡234

11.5.3 LSTM應用於情感分類任務237

         參考文獻238

第12章 基於深度神經網絡的SAR/PolSAR影像地物分類240

12.1 數據集及研究目的241

12.1.1 數據集特性分析241

12.1.2 基本數據集244

12.1.3 研究目的247

12.2 基於深度神經網絡的SAR影像地物分類251

12.2.1 基於自適應自編碼和**像素的SAR圖像分類251

12.2.2 基於捲積中層特徵學習的SAR圖像分類257

12.3 基於1代深度神經網絡的PolSAR影像地物分類263

12.3.1 基於稀疏極化DBN的極化SAR地物分類263

12.3.2 基於深度PCA網絡的極化SAR影像地物分類267

12.4 基於第二代深度神經網絡的PolSAR影像地物分類271

12.4.1 基於深度復捲積網絡的極化PolSAR影像地物分類271

12.4.2基於生成式對抗網的極化PolSAR影像地物分類274

12.4.3基於深度殘差網絡的極化PolSAR影像地物分類278

         參考文獻280......

TensorFlow實戰

Google近日發布瞭TensorFlow 1.0候選版，這個穩定版將是深度學習框架發展中的裏程碑的一步。自TensorFlow於2015年底正式開源，距今已有一年多，這期間TensorFlow不斷給人以驚喜，推齣瞭分布式版本，服務框架TensorFlow Serving，可視化工具TensorFlow，上層封裝TF.Learn，其他語言（Go、Java、Rust、Haskell）的綁定、Windows的支持、JIT編譯器XLA、動態計算圖框架Fold，以及數不勝數的**模型在TensorFlow上的實現（Inception Net、SyntaxNet等）。在這一年多時間，TensorFlow已從初入深度學習框架大戰的新星，成為瞭幾近壟斷的行業事實標準。

《TensorFlow實戰》希望用簡單易懂的語言帶領大傢探索TensorFlow（基於1.0版本API）。在《TensorFlow實戰》中我們講述瞭TensorFlow的基礎原理，TF和其他框架的異同。並用具體的代碼完整地實現瞭各種類型的深度神經網絡：AutoEncoder、MLP、CNN（AlexNet，VGGNet，Inception Net，ResNet）、Word2Vec、RNN（LSTM，Bi-RNN）、Deep Reinforcement Learning(Policy Network、Value Network)。此外，《TensorFlow實戰》還講解瞭TensorBoard、多GPU並行、分布式並行、TF.Learn和其他TF.Contrib組件。《TensorFlow實戰》希望能幫讀者快速入門TensorFlow和深度學習，在工業界或者研究中快速地將想法落地為可實踐的模型。

1    TensorFlow基礎  1

1.1  TensorFlow概要  1

1.2  TensorFlow編程模型簡介  4

2    TensorFlow和其他深度學習框架的對比  18

2.1  主流深度學習框架對比  18

2.2  各深度學習框架簡介  20

3    TensorFlow1步  39

3.1  TensorFlow的編譯及安裝  39

3.2  TensorFlow實現SoftmaxRegression識彆手寫數字  46

4    TensorFlow實現自編碼器及多層感知機  55

4.1  自編碼器簡介  55

4.2  TensorFlow實現自編碼器  59

4.3  多層感知機簡介  66

4.4  TensorFlow實現多層感知機  70

5    TensorFlow實現捲積神經網絡  74

5.1  捲積神經網絡簡介  74

5.2  TensorFlow實現簡單的捲積網絡 80

5.3  TensorFlow實現進階的捲積網絡  83

6    TensorFlow實現**捲積神經網絡  95

6.1  TensorFlow實現AlexNet  97

6.2  TensorFlow實現VGGNet  108

6.3  TensorFlow實現GoogleInceptionNet  119

6.4  TensorFlow實現ResNet  143

6.5  捲積神經網絡發展趨勢  156

7    TensorFlow實現循環神經網絡及Word2Vec  159

7.1  TensorFlow實現Word2Vec  159

7.2  TensorFlow實現基於LSTM的語言模型  173

7.3  TensorFlow實現BidirectionalLSTMClassifier  188

8    TensorFlow實現深度強化學習  195

8.1  深度強化學習簡介  195

8.2  TensorFlow實現策略網絡  201

8.3  TensorFlow實現估值網絡  213

9    TensorBoard、多GPU並行及分布式並行  233

9.1  TensorBoard  233

9.2  多GPU並行  243

9.3  分布式並行  249

10    TF.Learn從入門到精通  259

10.1  分布式Estimator  259

10.2  深度學習Estimator  267

10.3  機器學習Estimator  272

10.4  DataFrame  278

10.5  監督器Monitors  279

11    TF.Contrib的其他組件  283

11.1  統計分布  283

11.2  Layer模塊  285

11.3  性能分析器tfprof   293

參考文獻  297

深入淺齣深度學習：原理剖析與Python實踐

本書介紹瞭深度學習相關的原理與應用，全書共分為三大部分，*部分主要迴顧瞭深度學習的發展曆史，以及Theano的使用；第二部分詳細講解瞭與深度學習相關的基礎知識，包括綫性代數、概率論、概率圖模型、機器學習和*化算法；在第三部分中，針對若乾核心的深度學習模型，如自編碼器、受限玻爾茲曼機、遞歸神經網絡和捲積神經網絡等進行詳細的原理分析與講解，並針對不同的模型給齣相應的具體應用。本書適閤有一定高等數學、機器學習和Python編程基礎的在校學生、高校研究者或在企業中從事深度學習的工程師使用，書中對模型的原理與難點進行瞭深入分析，在每一章的*後都提供瞭詳細的參考文獻，讀者可以對相關的細節進行更深入的研究。*後，理論與實踐相結閤，本書針對常用的模型分彆給齣瞭相應的應用，讀者也可以在Github中下載和查看本書的代碼（https://github.com/innovation-cat/DeepLearningBook）。
1 緒論1
1.1 人工智能、機器學習與深度學習的關係2
1.1.1 人工智能——機器推理3
1.1.2 機器學習——數據驅動的科學4
1.1.3 深度學習——大腦的仿真7
1.2 深度學習的發展曆程7
1.3 深度學習技術概述9
1.3.1 從低層到高層的特徵抽象10
1.3.2 讓網絡變得更深12
1.3.3 自動特徵提取13
1.4 深度學習框架14
2 Theano基礎18
2.1 符號變量19
2.2 符號計算的抽象——符號計算圖模型22
2.3 函數25
2.3.1 函數的定義25
2.3.2 Logistic迴歸26
2.3.3 函數的復製28
2.4 條件錶達式30
2.5 循環31
2.6 共享變量38
2.7 配置38
2.7.1 通過THEANO_FLAGS配置39
2.7.2 通過.theanorc文件配置40
2.8 常用的Debug技巧41
2.9 小結42
3 綫性代數基礎43
3.1 標量、嚮量、矩陣和張量43
3.2 矩陣初等變換44
3.3 綫性相關與嚮量空間45
3.4 範數46
3.4.1 嚮量範數46
3.4.2 矩陣範數49
3.5 特殊的矩陣與嚮量52
3.6 特徵值分解53
3.7 奇異值分解55
3.8 跡運算56
3.9 樣例：主成分分析57
4 概率統計基礎61
4.1 樣本空間與隨機變量62
4.2 概率分布與分布函數62
4.3 一維隨機變量63
4.3.1 離散隨機變量和分布律63
4.3.2 連續隨機變量和概率密度函數64
4.4 多維隨機變量65
4.4.1 離散型二維隨機變量和聯閤分布律66
4.4.2 連續型二維隨機變量和聯閤密度函數66
4.5 邊緣分布67
4.6 條件分布與鏈式法則68
4.6.1 條件概率68
4.6.2 鏈式法則70
4.7 多維隨機變量的獨立性分析70
4.7.1 邊緣獨立71
4.7.2 條件獨立71
4.8 數學期望、方差、協方差72
4.8.1 數學期望72
4.8.2 方差73
4.8.3 協方差73
4.8.4 協方差矩陣75
4.9 信息論基礎78
4.9.1 信息熵78
4.9.2 條件熵80
4.9.3 互信息81
4.9.4 交叉熵與相對熵81
5 概率圖模型84
5.1 生成模型與判彆模型86
5.2 圖論基礎87
5.2.1 圖的結構87
5.2.2 子圖88
5.2.3 路徑、跡、環與拓撲排序89
5.3 貝葉斯網絡93
5.3.1 因子分解93
5.3.2 局部馬爾科夫獨立性斷言96
5.3.3 I-Map與因子分解97
5.3.4 有效跡101
5.3.5 D-分離與全局馬爾科夫獨立性105
5.4 馬爾科夫網絡106..........

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆