中图网

>

研究生/本科/专科教材

>

工学

深度学习模型与算法基础

作者：许庆阳、宋勇、张承进

出版社：清华大学出版社出版时间：2023-12-01

开本：其他页数： 276

本类榜单：教材销量榜

中图价:¥46.2(8.4折) 定价 ~~¥55.0~~ 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>

>
中医基础理论

中医基础理论

¥51.7¥59
>
高校军事课教程

高校军事课教程

¥14.2¥38
>
思想道德与法治(2021年版)

思想道德与法治(2021年版)

¥8.8¥18
>
毛泽东思想和中国特色社会主义理论体系概论(2021年版)

毛泽东思想和中国特色社会主义理论体系概论(2021年版)

¥11¥25
>
中医内科学·全国中医药行业高等教育“十四五”规划教材

中医内科学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99
>
中医诊断学--新世纪第五版

中医诊断学--新世纪第五版

¥50.9¥58
>
中药学·全国中医药行业高等教育“十四五”规划教材

中药学·全国中医药行业高等教育“十四五”规划教材

¥85.1¥99

商品详情
商品评论(0条)

中图价:¥46.2 加入购物车

版权信息
本书特色
内容简介
目录
作者简介

深度学习模型与算法基础版权信息

ISBN：9787302651079
条形码：9787302651079 ; 978-7-302-65107-9
装帧：平装-胶订
册数：暂无
重量：暂无
所属分类：
教材
>
研究生/本科/专科教材
>
工学

深度学习模型与算法基础本书特色

深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

深度学习模型与算法基础内容简介

深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础，讲述神经网络基础训练方法。并通过自编码器网络，将浅层网络过度到深度神经网络部分，详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后，对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

深度学习模型与算法基础目录

第1章绪论 1．1人工神经网络发展史 1．1．1人工神经网络的提出 1．1．2人工神经网络的陨落 1．1．3人工神经网络的兴起 1．1．4深度学习的提出 1．2人工神经网络学习机理 1．2．1生物学机理 1．2．2浅层学习 1．2．3深度学习 1．2．4特征学习第2章神经网络基础 2．1概述 2．2感知器 2．2．1感知器学习规则 2．2．2感知器原理 2．3线性单元 2．4δ学习规则 2．5BP神经网络结构 2．5．1BP神经网络原理 2．5．2BP神经元偏移量 2．5．3BP神经网络非线性表达能力 2．6反向传播算法 2．6．1误差项推导 2．6．2误差反向传播算法流程 2．6．3误差反向传播算法计算示例 2．7梯度检查 2．8超参数的确定 2．9模型训练与评估 2．10向量化编程第3章自编码器 3．1自编码器原理 3．2不同种类的自编码器 3．2．1正则自编码器 3．2．2稀疏自编码器 3．2．3去噪自编码器 3．3堆叠自编码器 3．4预训练与深度学习 3．5Softmax与交叉熵函数融合 3．6深度神经网络权值初始化方法 3．6．1Xavier初始化方法 3．6．2Kaiming初始化方法 3．6．3LeCun初始化方法第4章卷积神经网络 4．1全连接神经网络局限性 4．2卷积神经网络原理 4．3卷积神经网络前向计算 4．3．1新的激活函数 4．3．2卷积层 4．3．3池化层 4．3．4全连接层 4．4卷积网络计算实例 4．5卷积神经网络训练 4．5．1池化层误差传递 4．5．2卷积层误差传递 4．5．3卷积层参数训练 4．5．4卷积神经网络训练流程 4．5．5卷积神经网络训练计算实例 4．6深度神经网络计算模式 4．6．1卷积计算加速 4．6．2自动微分方法第5章卷积神经网络结构演化 5．1典型的卷积神经网络 5．1．1卷积网络加深 5．1．2卷积网络拓宽 5．1．3残差网络 5．2轻量化网络 5．3卷积操作模式设计 5．4全卷积网络第6章深度残差网络 6．1概述 6．2残差网络结构 6．3残差网络讨论 6．4Highway Network 6．5残差网络变体 6．5．1Wide Residual Network 6．5．2ResNeXt 6．5．3DenseNet 6．5．4DPN 第7章目标检测算法 7．1传统目标检测方法 7．2基于深度学习的目标检测方法 7．2．1目标检测常用技术 7．2．2RCNN 7．2．3SPPNet 7．2．4Fast RCNN 7．2．5Faster RCNN 7．2．6YOLO 7．2．7SSD 7．3目标检测算法的改进第8章循环神经网络 8．1循环神经网络概述 8．1．1循环神经网络原理 8．1．2双向循环神经网络 8．1．3深度循环神经网络 8．1．4典型循环神经网络结构 8．2循环神经网络训练算法 8．2．1BPTT训练算法 8．2．2实时循环学习算法 8．2．3梯度爆炸与消失问题 8．3RNN应用
第9章长短时记忆网络 9．1LSTM原理 9．2LSTM前向计算 9．3LSTM网络训练 9．3．1网络训练算法 9．3．2误差项沿时间传递 9．3．3误差项沿网络层次传递 9．4GRU 9．4．1GRU前向计算 9．4．2GRU训练算法第10章Transformer 10．1神经网络注意力机制 10．1．1神经网络注意力机制原理 10．1．2自注意力机制 10．2Transformer模型 10．2．1编码器模块 10．2．2解码器模块 10．3神经网络语言模型 10．3．1GPT模型 10．3．2BERT模型 10．3．3GLM模型第11章生成式模型 11．1概述 11．2生成对抗网络 11．2．1生成模型 11．2．2判别模型 11．2．3目标函数 11．2．4典型生成对抗网络 11．3变分自编码器 11．3．1模型推导 11．3．2讨论 11．3．3VAE实现 11．4自回归模型 11．5扩散模型第12章深度学习框架 12．1计算图 12．2典型深度学习框架 12．2．1国外深度学习框架 12．2．2国内深度学习框架参考文献

展开全部

深度学习模型与算法基础作者简介

许庆阳山东大学副教授、博士、博士生导师，主要从事智能机器人、人工智能、深度学习、智能优化算法等方面的教学与科研工作。参与科技部科技创新2030—“新一代人工智能”重大项目，承担国家自然科学基金1项、山东省重点研发计划1项，完成了山东省自然科学基金1项。在国内外学术期刊发表学术论文25余篇，其中SCI已收录17篇，申请发明专利5项。

商品评论(0条)

写书评赚书币

暂无评论……

书友推荐