深度學(xué)習(xí)技術(shù)與應(yīng)用

定　價(jià)：￥69.80

作　者：	許桂秋，余洋，周寶玲
出版社：	人民郵電出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買這本書可以去

當(dāng)當(dāng)網(wǎng) (￥52.30)

ISBN：	9787115611406	出版時(shí)間：	2023-07-01	包裝：	平裝
開本：		頁(yè)數(shù)：		字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書旨在介紹人工智能中深度學(xué)習(xí)的基礎(chǔ)知識(shí)，為即將進(jìn)入深度學(xué)習(xí)領(lǐng)域進(jìn)行研究的讀者奠定基礎(chǔ)。全書共13章，其中，第1～4章為理論部分，第5～13章為應(yīng)用部分。理論部分介紹了機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的基本內(nèi)容，以及TensorFlow開發(fā)框架的搭建和使用；應(yīng)用部分設(shè)置了多個(gè)項(xiàng)目案例，并介紹了這些案例詳細(xì)的實(shí)現(xiàn)步驟和代碼，使讀者在練習(xí)中熟悉和掌握相關(guān)知識(shí)的應(yīng)用方法與技巧。本書采用項(xiàng)目驅(qū)動(dòng)的編寫方式，做到了理論和實(shí)踐的結(jié)合。每個(gè)項(xiàng)目案例都提供配套的數(shù)據(jù)源文件和源代碼文件，使讀者可以直接感受案例效果。讀者也可以在相關(guān)案例代碼的基礎(chǔ)上調(diào)整相關(guān)參數(shù)，得到不一樣的結(jié)果，以加深理解。本書適合作為高等院校的人工智能課程教材，也可作為人工智能相關(guān)培訓(xùn)的教材。

作者簡(jiǎn)介

　　許桂秋《大數(shù)據(jù)導(dǎo)論》《Python編程基礎(chǔ)與應(yīng)用》《NoSQL數(shù)據(jù)庫(kù)原理與應(yīng)用》《數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)》等9本系列教材，浙江科技出版社，2019年。

圖書目錄

1 章緒論 1
1.1 人工智能 2
1.1.1 人工智能簡(jiǎn)介 2
1.1.2 人工智能三大學(xué)派 3
1.2 機(jī)器學(xué)習(xí) 3
1.2.1 機(jī)器學(xué)習(xí)簡(jiǎn)介 3
1.2.2 機(jī)器學(xué)習(xí)分類 4
1.3 淺層學(xué)習(xí)和深度學(xué)習(xí) 6
1.3.1 淺層學(xué)習(xí) 6
1.3.2 深度學(xué)習(xí) 6
1.4 本章小結(jié) 7
第 2 章深度學(xué)習(xí)基礎(chǔ) 9
2.1 深層神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 10
2.1.1 神經(jīng)元模型 10
2.1.2 單層神經(jīng)網(wǎng)絡(luò) 11
2.1.3 深層神經(jīng)網(wǎng)絡(luò) 12
2.1.4 深層神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn) 12
2.1.5 深層神經(jīng)網(wǎng)絡(luò)參數(shù) 13
2.1.6 節(jié)點(diǎn)輸出值的計(jì)算方式 13
2.2 機(jī)器學(xué)習(xí)模型的評(píng)估方法 14
2.3 深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與優(yōu)化 16
2.3.1 深層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 16
2.3.2 深層神經(jīng)網(wǎng)絡(luò)的優(yōu)化 21
2.4 本章小結(jié) 23
第 3 章搭建深度學(xué)習(xí)框架 25
3.1 常見的深度學(xué)習(xí)框架 26
3.1.1 TensorFlow 26
3.1.2 Caffe 27
3.1.3 Keras 28
3.1.4 Torch 28
3.1.5 MXNet 28
3.1.6 CNTK 29
3.2 安裝 TensorFlow 29
3.2.1 安裝準(zhǔn)備 30
3.2.2 在 Python 環(huán)境中安裝 TensorFlow 35
3.2.3 TensorFlow 的使用 36
3.3 TensorFlow Playground 37
3.3.1 菜單選項(xiàng) 38
3.3.2 DATA 區(qū)域 39
3.3.3 FEATURES 區(qū)域 40
3.3.4 HIDDEN LAYERS 區(qū)域 40
3.3.5 OUTPUT 區(qū)域 41
3.4 Keras 的核心組件 43
3.4.1 Models API 45
3.4.2 Layers API 45
3.4.3 Callbacks API 47
3.4.4 Data preprocessing 47
3.4.5 Metrics 50
3.5 使用 TensorFlow 實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò) 51
3.6 本章小結(jié) 58
第 4 章 TensorFlow 編程基礎(chǔ) 59
4.1 計(jì)算圖與張量 60
4.1.1 初識(shí)計(jì)算圖與張量 60
4.1.2 TensorFlow 的計(jì)算模型--計(jì)算圖 60
4.1.3 TensorFlow 的數(shù)據(jù)模型--張量 63
4.2 TensorFlow 的運(yùn)行模型--會(huì)話 65
4.2.1 TensorFlow 系統(tǒng)結(jié)構(gòu) 65
4.2.2 會(huì)話的使用 67
4.2.3 會(huì)話的配置 68
4.2.4 占位符的使用 69
4.3 TensorFlow 變量 70
4.3.1 變量的創(chuàng)建 70
4.3.2 變量與張量 73
4.3.3 管理變量空間 75
4.4 識(shí)別圖像中模糊的手寫數(shù)字 79
4.5 本章小結(jié) 85
第 5 章使用 Keras 搭建多層感知機(jī)識(shí)別 MNIST 數(shù)據(jù)集 87
5.1 構(gòu)建項(xiàng)目 88
5.2 下載和預(yù)處理 MNIST 數(shù)據(jù)集 88
5.2.1 下載數(shù)據(jù)集 88
5.2.2 預(yù)處理數(shù)據(jù)集 89
5.3 搭建并訓(xùn)練多層感知機(jī) 94
5.3.1 搭建模型 94
5.3.2 訓(xùn)練模型 95
5.4 改進(jìn)模型 98
5.4.1 搭建模型 98
5.4.2 訓(xùn)練模型 99
5.5 評(píng)估訓(xùn)練結(jié)果 101
5.5.1 評(píng)估模型準(zhǔn)確率 101
5.5.2 使用模型進(jìn)行預(yù)測(cè) 102
5.5.3 建立混淆矩陣 103
5.6 本章小結(jié) 105
第 6 章優(yōu)化多層感知機(jī) 107
6.1 構(gòu)建項(xiàng)目 108
6.2 搭建帶有隱藏層的模型 108
6.3 誤差與過擬合問題 111
6.3.1 訓(xùn)練誤差與泛化誤差 111
6.3.2 過擬合問題 112
6.4 過擬合的處理方法 112
6.4.1 增加隱藏層神經(jīng)元 112
6.4.2 加入 Dropout 機(jī)制 115
6.4.3 增加隱藏層 117
6.5 保存模型 119
6.5.1 將模型保存為 JSON 格式文件 119
6.5.2 保存模型權(quán)重 122
6.6 本章小結(jié) 123
第 7 章項(xiàng)目 1：識(shí)別 Fashion MNIST 數(shù)據(jù)集 125
7.1 卷積神經(jīng)網(wǎng)絡(luò)簡(jiǎn)介 126
7.2 LeNet-5 卷積模型 126
7.3 Fashion MNIST 數(shù)據(jù)集 128
7.3.1 Fashion MNIST 數(shù)據(jù)集簡(jiǎn)介 128
7.3.2 下載 Fashion MNIST 數(shù)據(jù)集 128
7.3.3 查看數(shù)據(jù) 128
7.4 搭建 LeNet-5 卷積模型并識(shí)別 Fashion MNIST 數(shù)據(jù)集 130
7.4.1 預(yù)處理數(shù)據(jù) 130
7.4.2 搭建 LeNet-5 卷積模型 131
7.4.3 訓(xùn)練與評(píng)估 LeNet-5 卷積模型 132
7.4.4 識(shí)別過程的可視化展示 133
7.5 改進(jìn) LeNet-5 卷積模型 136
7.5.1 預(yù)處理數(shù)據(jù) 136
7.5.2 改進(jìn) LeNet-5 卷積模型 136
7.5.3 訓(xùn)練和評(píng)估改進(jìn)后的 LeNet-5 卷積模型 138
7.5.4 預(yù)測(cè)測(cè)試集 139
7.5.5 保存改進(jìn)后的 LeNet-5 卷積模型 141
7.6 預(yù)測(cè)自然測(cè)試集 142
7.6.1 預(yù)處理圖像 142
7.6.2 預(yù)測(cè)結(jié)果 143
7.7 本章小結(jié) 144
第 8 章項(xiàng)目 2：識(shí)別 CIFAR-10 數(shù)據(jù)集 145
8.1 準(zhǔn)備工作 146
8.2 下載和查看數(shù)據(jù)集 148
8.2.1 下載數(shù)據(jù)集 149
8.2.2 查看訓(xùn)練數(shù)據(jù) 149
8.3 搭建模型識(shí)別 CIFAR-10 數(shù)據(jù)集 150
8.3.1 預(yù)處理數(shù)據(jù)集 150
8.3.2 搭建模型 151
8.3.3 訓(xùn)練模型 154
8.3.4 測(cè)試模型 155
8.4 加深模型的網(wǎng)絡(luò)結(jié)構(gòu) 159
8.5 本章小結(jié) 162
第 9 章項(xiàng)目 3：識(shí)別貓狗圖像 163
9.1 準(zhǔn)備工作 164
9.2 預(yù)處理數(shù)據(jù)集 164
9.2.1 下載和存儲(chǔ)數(shù)據(jù)集 164
9.2.2 處理數(shù)據(jù) 165
9.2.3 讀取和預(yù)處理數(shù)據(jù) 168
9.3 搭建模型識(shí)別貓狗圖像 169
9.3.1 搭建并訓(xùn)練模型 169
9.3.2 利用數(shù)據(jù)擴(kuò)充法解決過擬合問題 172
9.4 本章小結(jié) 177
第 10 章項(xiàng)目 4：識(shí)別人臉表情 179
10.1 準(zhǔn)備數(shù)據(jù) 180
10.2 構(gòu)建模型 182
10.3 訓(xùn)練模型 184
10.4 測(cè)試和評(píng)估模型 185
10.5 本章小結(jié) 190
第 11 章構(gòu)建生成對(duì)抗網(wǎng)絡(luò)生成 MNIST 模擬數(shù)據(jù)集 191
11.1 生成對(duì)抗網(wǎng)絡(luò)概述 192
11.2 生成對(duì)抗網(wǎng)絡(luò)的種類 193
11.2.1 DCGAN 193
11.2.2 InfoGAN 195
11.2.3 AEGAN 195
11.2.4 SRGAN 196
11.3 使用 InfoGAN 生成 MNIST 模擬數(shù)據(jù)集 198
11.4 本章小結(jié) 203
第 12 章項(xiàng)目 5：使用 SRGAN 實(shí)現(xiàn) Flowers 數(shù)據(jù)集的超分辨率修復(fù) 205
12.1 準(zhǔn)備數(shù)據(jù) 206
12.2 構(gòu)建模型 207
12.2.1 構(gòu)建生成器 207
12.2.2 VGG 的預(yù)輸入處理 208
12.2.3 計(jì)算 VGG 特征空間的損失值 208
12.2.4 構(gòu)建判別器 209
12.2.5 計(jì)算損失值，定義優(yōu)化器 210
12.2.6 指定預(yù)訓(xùn)練模型路徑 210
12.3 訓(xùn)練模型 211
12.4 本章小結(jié) 213