深度学习方法解析与实战应用
￥48.00定价
作者： 崔翛龙
出版时间：2020年10月
出版社：西安电子科技大学出版社
- 西安电子科技大学出版社
- 9787560657271
- 9版
- 349568
- 平装
- 短16开
- 2020年10月
- 354
- 296
- TP181
- 自动化技术、计算技术
- 本科教材2
内容简介
本书以深入浅出的方式，讲解何为“人工智能”，如何掌握以深度学习为代表的人工智能相关方法，以及如何进行落地应用。本书从理论、工具基础讲解开始，层层递进，分别向读者清晰地展现了卷积神经网络、生成式对抗网络、循环神经网络、深度强化学习的知识脉络与方法原理。同时，按照具体应用场景，结合主流深度学习框架，给出所讲述理论的落地应用案例和编程开发指导，旨在结合理论与实践，平衡知识的深度与广度，明确入门与进阶路径，使读者更加深入全面地理解深度学习的原理及实践方法。
本书主要面向人工智能技术初学者、程序开发者、前沿科技爱好者，尤其是在校大学生和相关领域研究人员。
本书主要面向人工智能技术初学者、程序开发者、前沿科技爱好者，尤其是在校大学生和相关领域研究人员。
目录
第一篇 基础入门篇
第0章 人工智能概述 3
0.1 人工智能的定义与学派 3
0.1.1 人工智能定义 3
0.1.2 人工智能学派 5
0.2 人工智能简史 6
0.2.1 早期的人工智能 7
0.2.2 人工智能的波浪式前进 8
0.3 人工智能的关键支撑技术 10
0.3.1 算法——深度神经网络 11
0.3.2 数据——多源异构大数据 11
0.3.3 算力——高性能计算芯片 12
0.4 人工智能的应用与面临的挑战 13
0.4.1 人工智能应用领域 13
0.4.2 人工智能前沿 16
0.4.3 发展趋势与面临的挑战 19
0.5 国家战略与政策下的人工智能 21
0.5.1 国内政策及战略规划 21
0.5.2 国外战略与政策 23
0.6 习题 23
参考资源 24
第1章 理论基础 25
1.1 数学基础 25
1.1.1 线性代数与矩阵论 25
1.1.2 概率论与统计学 27
1.1.3 博弈论 28
1.1.4 最优化理论 28
1.2 算法基础 29
1.2.1 算法概论 30
1.2.2 数据结构 30
1.3 机器学习基础 31
1.3.1 机器学习概述 31
1.3.2 监督学习 35
1.3.3 无监督学习 35
1.3.4 强化学习 36
1.3.5 联邦学习 37
1.4 大数据基础 38
1.4.1 数据挖掘 38
1.4.2 Hadoop开源生态框架体系 39
1.5 温故知新 40
1.6 习题 41
参考资源 43
第2章 工具基础 44
2.1 编程基础 44
2.1.1 编程理论 44
2.1.2 Python基础 46
2.2 开源框架基础 53
2.2.1 Pytorch 54
2.2.2 TensorFlow框架 55
2.2.3 PaddlePaddle框架 56
2.2.4 其他框架 57
2.3 硬件基础 59
2.3.1 CPU基础 60
2.3.2 GPU基础 62
2.3.3 树莓派 62
2.4 操作系统基础 63
2.4.1 Linux简介 63
2.4.2 国产Linux操作系统 65
2.5 温故知新 66
2.6 习题 67
参考资源 68
第3章 神经网络基础 69
3.1 神经网络概述 69
3.2 神经元模型与感知机模型 70
3.2.1 MP神经元 70
3.2.2 感知机 72
3.3 多隐层前馈神经网络 73
3.3.1 网络结构 73
3.3.2 激活函数 75
3.3.3 网络训练 77
3.4 神经网络的优化方法 80
3.4.1 梯度下降法 80
3.4.2 随机梯度下降 81
3.4.3 小批量梯度下降 81
3.4.4 动量梯度下降 82
3.4.5 RMSProp 82
3.4.6 ADAM 83
3.5 神经网络的优化策略 83
3.5.1 参数初始化 83
3.5.2 正则化 85
3.5.3 Dropout 86
3.5.4 数据增强 87
3.5.5 预训练 87
3.6 深度神经网络概述 87
3.6.1 深度学习的优势 89
3.6.2 适用领域 90
3.7 温故知新 92
3.8 习题 92
参考资源 94
第二篇 方法解析篇
第4章 卷积神经网络方法解析 97
4.1 卷积神经网络概述 97
4.1.1 生物机理 98
4.1.2 拓扑结构 99
4.1.3 网络特点 100
4.2 关键方法 102
4.2.1 卷积 103
4.2.2 池化 111
4.2.3 全连接 111
4.3 常见的卷积神经网络 112
4.3.1 LeNet 112
4.3.2 AlexNet 112
4.3.3 VGGNet 114
4.3.4 GoogLeNet 114
4.3.5 ResNet 115
4.3.6 DenseNet 116
4.4 改进方向与应用领域 116
4.4.1 改进方向 116
4.4.2 应用领域 117
4.5 温故知新 118
4.6 习题 118
参考资源 119
第5章 生成式对抗网络方法解析 120
5.1 生成模型概述 120
5.2 网络模型 121
5.3 重要方法 122
5.3.1 数学原理 122
5.3.2 训练机制 125
5.3.3 训练技巧 125
5.3.4 评价指标 127
5.4 GAN的改进模型 129
5.4.1 CGAN 130
5.4.2 DCGAN 131
5.4.3 WGAN 132
5.4.4 LSGAN 133
5.4.5 PGGAN 134
5.4.6 ACGAN 136
5.4.7 BigGAN 137
5.5 改进方向与应用领域 139
5.5.1 改进方向 139
5.5.2 应用领域 140
5.5.3 研究进展 143
5.6 温故知新 144
5.7 习题 144
参考资源 145
第6章 循环神经网络方法解析 146
6.1 循环神经网络概述 146
6.2 自然语言处理 148
6.2.1 语言模型 148
6.2.2 词向量 149
6.3 循环神经网络 151
6.3.1 生物机理 151
6.3.2 网络结构 151
6.3.3 网络训练 153
6.4 循环神经网络改进 154
6.4.1 LSTM 154
6.4.2 其他改进模型 156
6.5 研究进展与应用领域 158
6.5.1 研究进展 158
6.5.2 应用领域 159
6.6 温故知新 161
6.7 习题 162
参考资源 163
第7章 深度强化学习方法解析 165
7.1 强化学习概述 165
7.2 强化学习基础 166
7.2.1 定义及相关概念 166
7.2.2 马尔可夫决策过程 169
7.3 经典强化学习 170
7.3.1 强化学习分类 170
7.3.2 Qlearning算法 172
7.3.3 存在挑战 173
7.4 深度强化学习 174
7.4.1 DQN算法 174
7.4.2 深度强化学习的改进算法 177
7.4.3 小结 179
7.5 重要应用 180
7.6 研究进展 181
7.7 温故知新 182
7.8 习题 183
参考资源 184
第三篇 实战应用篇
第8章 基于卷积神经网络的2D人体姿态估计实战 187
8.1 人体姿态估计概述 187
8.2 人体姿态估计技术回顾 188
8.2.1 单人姿态估计 189
8.2.2 多人姿态估计 191
8.3 编程实战 192
8.3.1 实验环境 192
8.3.2 数据准备 194
8.3.3 模型构建 194
8.3.4 运行测试 200
8.4 温故知新 200
参考资源 201
第9章 利用深度强化学习玩游戏实战 202
9.1 实战背景 202
9.1.1 深度强化学习在游戏领域的应用 202
9.1.2 Gym介绍 203
9.2 深度强化学习技术回顾 204
9.3 编程实战 206
9.3.1 基于Pytorch的游戏实战 207
9.3.2 基于策略梯度进行TensorFlow实战 211
9.4 温故知新 215
参考资源 216
第10章 面向边缘智能的人群数量计算实战 217
10.1 实战背景 217
10.1.1 人群数量计算 217
10.1.2 边缘智能 219
10.2 目标检测技术回顾 220
10.2.1 目标检测 220
10.2.2 人脸检测 222
10.2.3 面向边缘智能的人群数量计算系统整体流程设计 223
10.3 编程实战 225
10.3.1 基于YOLO V3的目标检测 225
10.3.2 基于CenterFace的人脸检测 229
10.4 温故知新 232
参考资源 233
第11章 边缘计算场景下智能垃圾分类实战 234
11.1 实战背景 234
11.1.1 垃圾分类 234
11.1.2 边缘计算发展 235
11.2 相关技术梳理 237
11.2.1 智能语音识别 237
11.2.2 垃圾图像分类 238
11.2.3 基于边缘计算的智能垃圾分类系统整体流程 240
11.3 编程实战 242
11.3.1 智能语音识别 242
11.3.2 垃圾图像分类 245
11.4 温故知新 247
参考资源 249
第12章 基于生成式对抗网络的图像“魔术” 250
12.1 实战背景 250
12.1.1 GAN在图像翻译中的应用 250
12.1.2 GAN在图像生成中的应用 251
12.2 生成式对抗网络技术回顾 253
12.3 编程实战 256
12.3.1 基于TensorFlow的CycleGAN 257
12.3.2 基于Pytorch的DCGAN 267
12.4 温故知新 272
参考资源 273
附录1 Linux指令 274
附录2 BP算法推导 278
参考文献 282
第0章 人工智能概述 3
0.1 人工智能的定义与学派 3
0.1.1 人工智能定义 3
0.1.2 人工智能学派 5
0.2 人工智能简史 6
0.2.1 早期的人工智能 7
0.2.2 人工智能的波浪式前进 8
0.3 人工智能的关键支撑技术 10
0.3.1 算法——深度神经网络 11
0.3.2 数据——多源异构大数据 11
0.3.3 算力——高性能计算芯片 12
0.4 人工智能的应用与面临的挑战 13
0.4.1 人工智能应用领域 13
0.4.2 人工智能前沿 16
0.4.3 发展趋势与面临的挑战 19
0.5 国家战略与政策下的人工智能 21
0.5.1 国内政策及战略规划 21
0.5.2 国外战略与政策 23
0.6 习题 23
参考资源 24
第1章 理论基础 25
1.1 数学基础 25
1.1.1 线性代数与矩阵论 25
1.1.2 概率论与统计学 27
1.1.3 博弈论 28
1.1.4 最优化理论 28
1.2 算法基础 29
1.2.1 算法概论 30
1.2.2 数据结构 30
1.3 机器学习基础 31
1.3.1 机器学习概述 31
1.3.2 监督学习 35
1.3.3 无监督学习 35
1.3.4 强化学习 36
1.3.5 联邦学习 37
1.4 大数据基础 38
1.4.1 数据挖掘 38
1.4.2 Hadoop开源生态框架体系 39
1.5 温故知新 40
1.6 习题 41
参考资源 43
第2章 工具基础 44
2.1 编程基础 44
2.1.1 编程理论 44
2.1.2 Python基础 46
2.2 开源框架基础 53
2.2.1 Pytorch 54
2.2.2 TensorFlow框架 55
2.2.3 PaddlePaddle框架 56
2.2.4 其他框架 57
2.3 硬件基础 59
2.3.1 CPU基础 60
2.3.2 GPU基础 62
2.3.3 树莓派 62
2.4 操作系统基础 63
2.4.1 Linux简介 63
2.4.2 国产Linux操作系统 65
2.5 温故知新 66
2.6 习题 67
参考资源 68
第3章 神经网络基础 69
3.1 神经网络概述 69
3.2 神经元模型与感知机模型 70
3.2.1 MP神经元 70
3.2.2 感知机 72
3.3 多隐层前馈神经网络 73
3.3.1 网络结构 73
3.3.2 激活函数 75
3.3.3 网络训练 77
3.4 神经网络的优化方法 80
3.4.1 梯度下降法 80
3.4.2 随机梯度下降 81
3.4.3 小批量梯度下降 81
3.4.4 动量梯度下降 82
3.4.5 RMSProp 82
3.4.6 ADAM 83
3.5 神经网络的优化策略 83
3.5.1 参数初始化 83
3.5.2 正则化 85
3.5.3 Dropout 86
3.5.4 数据增强 87
3.5.5 预训练 87
3.6 深度神经网络概述 87
3.6.1 深度学习的优势 89
3.6.2 适用领域 90
3.7 温故知新 92
3.8 习题 92
参考资源 94
第二篇 方法解析篇
第4章 卷积神经网络方法解析 97
4.1 卷积神经网络概述 97
4.1.1 生物机理 98
4.1.2 拓扑结构 99
4.1.3 网络特点 100
4.2 关键方法 102
4.2.1 卷积 103
4.2.2 池化 111
4.2.3 全连接 111
4.3 常见的卷积神经网络 112
4.3.1 LeNet 112
4.3.2 AlexNet 112
4.3.3 VGGNet 114
4.3.4 GoogLeNet 114
4.3.5 ResNet 115
4.3.6 DenseNet 116
4.4 改进方向与应用领域 116
4.4.1 改进方向 116
4.4.2 应用领域 117
4.5 温故知新 118
4.6 习题 118
参考资源 119
第5章 生成式对抗网络方法解析 120
5.1 生成模型概述 120
5.2 网络模型 121
5.3 重要方法 122
5.3.1 数学原理 122
5.3.2 训练机制 125
5.3.3 训练技巧 125
5.3.4 评价指标 127
5.4 GAN的改进模型 129
5.4.1 CGAN 130
5.4.2 DCGAN 131
5.4.3 WGAN 132
5.4.4 LSGAN 133
5.4.5 PGGAN 134
5.4.6 ACGAN 136
5.4.7 BigGAN 137
5.5 改进方向与应用领域 139
5.5.1 改进方向 139
5.5.2 应用领域 140
5.5.3 研究进展 143
5.6 温故知新 144
5.7 习题 144
参考资源 145
第6章 循环神经网络方法解析 146
6.1 循环神经网络概述 146
6.2 自然语言处理 148
6.2.1 语言模型 148
6.2.2 词向量 149
6.3 循环神经网络 151
6.3.1 生物机理 151
6.3.2 网络结构 151
6.3.3 网络训练 153
6.4 循环神经网络改进 154
6.4.1 LSTM 154
6.4.2 其他改进模型 156
6.5 研究进展与应用领域 158
6.5.1 研究进展 158
6.5.2 应用领域 159
6.6 温故知新 161
6.7 习题 162
参考资源 163
第7章 深度强化学习方法解析 165
7.1 强化学习概述 165
7.2 强化学习基础 166
7.2.1 定义及相关概念 166
7.2.2 马尔可夫决策过程 169
7.3 经典强化学习 170
7.3.1 强化学习分类 170
7.3.2 Qlearning算法 172
7.3.3 存在挑战 173
7.4 深度强化学习 174
7.4.1 DQN算法 174
7.4.2 深度强化学习的改进算法 177
7.4.3 小结 179
7.5 重要应用 180
7.6 研究进展 181
7.7 温故知新 182
7.8 习题 183
参考资源 184
第三篇 实战应用篇
第8章 基于卷积神经网络的2D人体姿态估计实战 187
8.1 人体姿态估计概述 187
8.2 人体姿态估计技术回顾 188
8.2.1 单人姿态估计 189
8.2.2 多人姿态估计 191
8.3 编程实战 192
8.3.1 实验环境 192
8.3.2 数据准备 194
8.3.3 模型构建 194
8.3.4 运行测试 200
8.4 温故知新 200
参考资源 201
第9章 利用深度强化学习玩游戏实战 202
9.1 实战背景 202
9.1.1 深度强化学习在游戏领域的应用 202
9.1.2 Gym介绍 203
9.2 深度强化学习技术回顾 204
9.3 编程实战 206
9.3.1 基于Pytorch的游戏实战 207
9.3.2 基于策略梯度进行TensorFlow实战 211
9.4 温故知新 215
参考资源 216
第10章 面向边缘智能的人群数量计算实战 217
10.1 实战背景 217
10.1.1 人群数量计算 217
10.1.2 边缘智能 219
10.2 目标检测技术回顾 220
10.2.1 目标检测 220
10.2.2 人脸检测 222
10.2.3 面向边缘智能的人群数量计算系统整体流程设计 223
10.3 编程实战 225
10.3.1 基于YOLO V3的目标检测 225
10.3.2 基于CenterFace的人脸检测 229
10.4 温故知新 232
参考资源 233
第11章 边缘计算场景下智能垃圾分类实战 234
11.1 实战背景 234
11.1.1 垃圾分类 234
11.1.2 边缘计算发展 235
11.2 相关技术梳理 237
11.2.1 智能语音识别 237
11.2.2 垃圾图像分类 238
11.2.3 基于边缘计算的智能垃圾分类系统整体流程 240
11.3 编程实战 242
11.3.1 智能语音识别 242
11.3.2 垃圾图像分类 245
11.4 温故知新 247
参考资源 249
第12章 基于生成式对抗网络的图像“魔术” 250
12.1 实战背景 250
12.1.1 GAN在图像翻译中的应用 250
12.1.2 GAN在图像生成中的应用 251
12.2 生成式对抗网络技术回顾 253
12.3 编程实战 256
12.3.1 基于TensorFlow的CycleGAN 257
12.3.2 基于Pytorch的DCGAN 267
12.4 温故知新 272
参考资源 273
附录1 Linux指令 274
附录2 BP算法推导 278
参考文献 282
