中文字幕丰满乱子无码视频,亚洲情a成黄在线观看动漫尤物

2019-10-18 14:16 來源：京東作者：京東

深度學習：卷積神經(jīng)網(wǎng)絡算法原理與應用/普通高等教育新工科人才培養(yǎng)規(guī)劃教材（大數(shù)據(jù)專業(yè)）

編輯推薦:

內(nèi)容簡介:　　考慮到近幾年深度學習的快速發(fā)展，而此方面的教材缺乏，《深度學習：卷積神經(jīng)網(wǎng)絡算法原理與應用/普通高等教育新工科人才培養(yǎng)規(guī)劃教材（大數(shù)據(jù)專業(yè)）》以卷積神經(jīng)網(wǎng)絡算法原理為基礎(chǔ)，對最近幾年提出的卷積神經(jīng)網(wǎng)絡進行系統(tǒng)介紹。
　　《深度學習：卷積神經(jīng)網(wǎng)絡算法原理與應用/普通高等教育新工科人才培養(yǎng)規(guī)劃教材（大數(shù)據(jù)專業(yè)）》較全面地介紹了卷積神經(jīng)網(wǎng)絡的基本內(nèi)容，注重卷積神經(jīng)網(wǎng)絡的基本概念、基本原理和網(wǎng)絡結(jié)構(gòu)的闡述。全書共分為九章，第1章～第3章介紹了深度學習及卷積神經(jīng)網(wǎng)絡的概念及發(fā)展，卷積神經(jīng)網(wǎng)絡相關(guān)的數(shù)學基礎(chǔ)知識，神經(jīng)網(wǎng)絡的基礎(chǔ)算法原理等知識點：第4章、第5章對卷積神經(jīng)網(wǎng)絡的基本原理及擴展機制進行剖析；第6章介紹了自編碼器的一些基本原理及算法：第7章針對卷積神經(jīng)網(wǎng)絡的優(yōu)化算法進行了詳細的分析說明；第8章、第9章是卷積神經(jīng)網(wǎng)絡的典型結(jié)構(gòu)及卷積神經(jīng)網(wǎng)絡的壓縮算法應用。
　　附錄中增加了部分典型卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)的Matlab及Python程序，結(jié)合實際、突出應用，旨在幫助使用者加深對基本概念的理解和提高綜合問題分析的能力。
　　全書內(nèi)容豐富，層次分明，主要面向人工智能及相關(guān)專業(yè)的高年級本科生及研究生，也可做為從事深度學習的軟件工程師的參考書目。

作者簡介:

目錄:前言

第1章緒論
1．1 深度學習
1．1 概述
1．1．2 基本思想
1．1．3 基本分類
1．2 卷積神經(jīng)網(wǎng)絡技術(shù)的發(fā)展與應用
1．2．1 卷積神經(jīng)網(wǎng)絡的發(fā)展
1．2．2 卷積神經(jīng)網(wǎng)絡的應用
1．3 自編碼器的發(fā)展及其應用
1．3．1 自編碼器的發(fā)展
1．3．2 自編碼器的應用

第2章相關(guān)數(shù)學基礎(chǔ)知識
2．1 矩陣
2．1．1 基本概念
2．1．2 矩陣運算
2．2 范數(shù)
2．2．1 范數(shù)的定義
2．2．2 范數(shù)的分類及性質(zhì)
2．3 卷積運算
2．3．1 定義
2．3．2 多維數(shù)組的卷積
2．4 激活函數(shù)
2．4．1 線性激活函數(shù)
2．4．2 非線性激活函數(shù)
2．5 信息熵
2．5．1 定義
2．5．2 條件熵
2．5．3 相對熵
2．5．4 交叉熵
習題

第3章神經(jīng)網(wǎng)絡
3．1 人工神經(jīng)網(wǎng)絡
3．1．1 人工神經(jīng)元模型
3．1．2 人工神經(jīng)網(wǎng)絡結(jié)構(gòu)
3．2 BP神經(jīng)網(wǎng)絡
3．2．1 原理
3．2．2 網(wǎng)絡結(jié)構(gòu)
3．2．3 BP神經(jīng)算法原理
3．2．4 信號傳遞過程的實現(xiàn)
3．2．5 算法分析
習題

第4章卷積神經(jīng)網(wǎng)絡
4．1 原理
4．1．1 動機
4．1．2 卷積神經(jīng)網(wǎng)絡特點
4．2 LeNet-5
4．2．1 網(wǎng)絡總體結(jié)構(gòu)
4．2．2 分層結(jié)構(gòu)
4．3 反向傳播
4．3．1 全連接的反向過程
4．3．2 卷積的反向過程
4．3．3 池化的反向過程
4．3．4 輸出層反向傳播
4．3．5 權(quán)值更新
習題

第5章卷積神經(jīng)網(wǎng)絡擴展機制
5．1 注意力機制
5．1．1 注意機制的分類
5．1．2 深度學習中的注意機制
5．2 卷積變體
5．2．1 組卷積
5．2．2 深度可分離卷積
5．2．3 膨脹卷積
5．2．4 全卷積網(wǎng)絡
習題

第6章自編碼器網(wǎng)絡
6．1 相關(guān)概念
6．1．1 稀疏性
6．1．2 稀疏編碼
6．2 自編碼器概述
6．3 自編碼器原理
6．4 自編碼器的拓展網(wǎng)絡
6．4．1 稀疏自編碼
6．4．2 棧式自編碼
6．4．3 去噪自編碼
6．4．4 壓縮自編碼
6．5 自編碼器的編程實現(xiàn)
習題

第7章卷積神經(jīng)網(wǎng)絡的優(yōu)化
7．1 正則化與歸一化
7．1．1 概念
7．1．2 參數(shù)范數(shù)懲罰
7．1．3 Dropout
7．1．4 歸一化
7．2 基于梯度的優(yōu)化方法
7．2．1 基本算法
7．2．2 自適應學習率算法
習題

第8章卷積神經(jīng)網(wǎng)絡的典型結(jié)構(gòu)
8．1 概述
8．2 AlexNet網(wǎng)絡
8．2．1 AlexNet基本框架
8．2．2 AlexNet數(shù)據(jù)處理
8．3 GoogLenet網(wǎng)絡
8．3．1 背景
8．3．2．Inception Vl
8．3．3 InceptionV2與V3
8．3．4 Inception V4
8．3．5 Xception
8．4 ResNet網(wǎng)絡結(jié)構(gòu)
8．4．1 ResNet網(wǎng)絡
8．4．2 ReSNeXt
8．5 ShuffleNet網(wǎng)絡結(jié)構(gòu)
8．5．1 網(wǎng)絡簡介
8．5．2 模型結(jié)構(gòu)
8．5．3 ShuffleNet V2
8．6 DenseNet網(wǎng)絡結(jié)構(gòu)
8．6．1 Dense block
8．6．2 整體結(jié)構(gòu)
8．7 數(shù)據(jù)集介紹
8．7．1 圖像分類數(shù)據(jù)集
8．7．2 語義分割數(shù)據(jù)集

第9章卷積神經(jīng)網(wǎng)絡的壓縮
9．1 核的稀疏化
9．2 剪枝
9．2．1 剪枝的概念
9．2．2 剪枝的類型
9．3 模型量化
9．3．1 量化轉(zhuǎn)換
9．3．2 向量化
9．4 模型蒸餾

參考文獻
附錄
BP神經(jīng)網(wǎng)絡實現(xiàn)人臉識別程序
自編碼器程序
AlexNet程序
GoogLeNet程序
ResNeXt程序
DenseNet程序

相關(guān)商品