中图网

>

计算机教材

神经网络与深度学习(普通高等教育人工智能专业系列教材)

作者：王改华

出版社：中国水利水电出版社出版时间：2022-08-01

开本： 大16开 页数： 176

本类榜单：计算机/网络销量榜

中图价:¥25.2(7.0折) 定价 ~~¥36.0~~ 登录后可看到会员价

加入购物车收藏

运费6元，满39元免运费

?新疆、西藏除外

本类五星书更多>

>
决战行测5000题(言语理解与表达)

决战行测5000题(言语理解与表达)

¥38.8¥88
>
软件性能测试.分析与调优实践之路

软件性能测试.分析与调优实践之路

¥49.3¥69
>
第一行代码Android

第一行代码Android

¥58.4¥99
>
深度学习

深度学习

¥92.4¥168
>
Unreal Engine 4蓝图完全学习教程

Unreal Engine 4蓝图完全学习教程

¥72.2¥168
>
深入理解计算机系统-原书第3版

深入理解计算机系统-原书第3版

¥104.3¥139
>
Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

Word/Excel PPT 2013办公应用从入门到精通-(附赠1DVD.含语音视频教学+办公模板+PDF电子书)

¥21¥49.9

商品详情
商品评论(0条)

中图价:¥25.2 加入购物车

版权信息
内容简介
目录

微信公众号

神经网络与深度学习(普通高等教育人工智能专业系列教材) 版权信息

ISBN：9787522609041
条形码：9787522609041 ; 978-7-5226-0904-1
装帧：一般胶版纸
册数：暂无
重量：暂无
所属分类：
计算机/网络
>
计算机教材

神经网络与深度学习(普通高等教育人工智能专业系列教材) 内容简介

本书主要介绍神经网络与深度学习的相关知识点，注重分析神经网络与深度学习的基本概念、基本原理和网络结构，并对主要算法及其应用展开讨论及阐述。全书分为两部分：基础知识篇与网络应用篇。基础知识篇介绍了神经网络与深度学习的概念及发展，神经网络与深度学习相关的数学基础知识，神经网络、卷积神经网络与自编码器等基础算法原理及其特点。网络应用篇对深度学习及计算机视觉领域的主要应用进行剖析，从图像分类、语义分割、目标检测等方面对典型算法进行详细介绍。全书内容体系完整、层次分明，结合深度学习的近期新技术进展，帮助读者更深入地了解深度学习的算法原理及使用方法。本书主要面向高校人工智能及相关专业的学生，也可供从事相关领域工作的工程技术人员参考使用。

神经网络与深度学习(普通高等教育人工智能专业系列教材) 目录

前言
基础知识篇
第1章绪论
1．1 人工智能相关概念
1．2 神经网络算法发展及应用
1．2．1 神经网络结构
1．2．2 神经网络的发展及应用
1．3 深度学习算法的发展及应用
1．3．1 卷积神经网络技术的发展
1．3．2 自编码器的发展
习题
第2章神经网络模型
2．1 神经网络模型构成
2．1．1 神经元模型
2．1．2 感知器
2．2 BP神经网络
2．2．1 BP神经网络结构
2．2．2 改进的BP神经网络
习题
第3章相关数学基础知识
3．1 矩阵
3．1．1 基本概念
3．1．2 矩阵运算
3．2 范数
3．3 卷积运算
3．4 激活函数
3．4．1 线性激活函数
3．4．2 非线性激活函数
3．5 信息熵
习题
第4章卷积神经网络
4．1 卷积神经网络原理
4．2 LeNet-5
4．2．1 分层结构
4．2．2 反向传播
4．3 AlexNet
4．3．1 网络结构
4．3．2 网络特点
习题
第5章卷积神经网络扩展机制
5．1 注意力机制
5．1．1 注意力机制的分类
5．1．2 深度学习中的注意力机制
5．2 卷积变体
5．2．1 分组卷积
5．2．2 深度可分离卷积
5．2．3 膨胀卷积
5．2．4 全卷积网络
5．2．5 可变形卷积
习题
第6章深度学习中涉及的相关网络
6．1 循环神经网络
6．1．1 网络结构
6．1．2 RNN的类型
6．1．3 RNN反向传播
6．2 LSTM
6．2．1 遗忘门
6．2．2 输入门
6．2．3 细胞更新
6．2．4 输出门
6．3 生成式对抗网络
6．3．1 前向传播过程
6．3．2 优化训练过程
6．4 特征金字塔网络
6．4．1 基本概念
6．4．2 特征金字塔的应用
习题
第7章自编码器
7．1 相关概念
7．2 自编码器原理
7．3 自编码器的拓展网络
7．3．1 稀疏自编码器
7．3．2 栈式自编码器
7．3．3 其他自编码器
习题
第8章损失函数与优化算法
8．1 正则化与归一化
8．1．1 参数范数惩罚
8．1．2 Dropout
8．1．3 归一化
8．2 损失函数
8．2．1 交叉熵损失函数
8．2．2 其他损失函数
8．3 基于梯度的优化方法
8．3．1 基本算法
8．3．2 自适应学习率算法
习题
第9章深度学习中的相关问题
9．1 拟合
9．1．1 数据增强
9．1．2 正则化
9．2 梯度消失和梯度爆炸
9．3 卷积神经网络的压缩
9．3．1 核的稀疏化
9．3．2 剪枝
9．3．3 模型量化
9．3．4 模型蒸馏
习题
第10章深度学习中的性能指标
10．1 分类指标
10．2 指标曲线
10．2．1 ROC曲线
10．2．2 如何画ROC曲线？
10．2．3 AUC
10．3 分割指标
10．3．1 分割指标概述
10．3．2 常用的几种分割指标
10．4 模型复杂度
10．4．1 参数量
10．4．2 计算量
习题

网络应用篇
第11章图像数据集
11．1 图像分类数据集
11．2 语义分割数据集
11．3 细粒度图像分类通用数据集
11．4 目标变化检测数据集
第12章典型卷积神经网络
12．1 GoogLeNet网络
12．2 ResNet网络
12．3 ShuffleNet网络
12．4 MobileNet网络
12．4．1 网络结构
12．4．2 MobileNet V2
12．4．3 MobileNet V3
第13章基于深度学习的语义分割算法
13．1 传统语义分割算法
13．2 典型卷积语义分割算法
13．2．1 全卷积类语义分割网络
13．2．2 金字塔类语义分割网络
13．2．3 注意力机制类语义分割网络
13．3 PSPNet程序分析与实现
13．3．1 数据集处理
13．3．2 主干网搭建
13．3．3 PSPNet搭建
第14章基于深度学习的目标检测
14．1 两阶段目标检测算法
14．1．1 R-CNN算法框架
14．1．2 Faster R-CNN算法
14．2 端到端目标检测方法
14．2．1 YOLO系列算法
14．2．2 FCOS
14．3 YOLO V3目标检测程序分析与实现
14．3．1 数据读取
参考文献
附录专业术语表

展开全部

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐