☆☆☆☆☆
簡體網頁||繁體網頁



點擊這裡下載

類似圖書 點擊查看全場最低價

---

內容簡介

本書是利用實例來講解深度學習框架以及深度學習方法的綜閤性著作，介紹瞭四大深度學習框架（TensorFlow、Caffe、Torch和MXNet），還詳細介紹瞭調參、二次接口的編程、遷移學習的模型等內容。

目錄

CONTENTS
目　　錄
前言
第1章　緒論 1
1.1　機器學習與深度學習 1
1.1.1　機器學習與深度學習的關係 2
1.1.2　傳統機器學習與深度學習的對比 3
1.2　統計學與深度學習 5
1.2.1　統計學與深度學習的關係 5
1.2.2　基於統計的深度學習技術 6
1.3　本書涉及的深度學習框架 8
1.4　優化深度學習的方法 8
1.5　深度學習展望 9
第2章　TensorFlow深度學習框架構建方法與圖像分類的實現 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基於Anaconda的安裝 16
2.2.2　測試TensorFlow 19
2.3　基於TensorFlow框架的圖像分類實現（ResNet-34） 20
2.3.1　應用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序實現 24
2.3.4　詳細代碼解析 27
2.3.5　實驗結果及分析 51
第3章　Caffe深度學習框架搭建與圖像語義分割的實現 56
3.1　Caffe概述 56
3.1.1　Caffe的特點 56
3.1.2　Caffe框架結構 57
3.2　Caffe框架安裝與調試 59
3.3　基於Caffe框架的圖像分割實現（FCN） 64
3.3.1　用Caffe構建捲積神經網絡 64
3.3.2　FCN-8s網絡簡介 69
3.3.3　詳細代碼解讀 85
3.3.4　實驗結果與結論 98
第4章　Torch深度學習框架搭建與目標檢測的實現 100
4.1　Torch概述 100
4.1.1　Torch的特點 100
4.1.2　Lua語言 102
4.2　Torch框架安裝 104
4.3　基於Torch框架的目標檢測實現（Faster R-CNN） 113
4.3.1　Torch的類和包的基本用法 113
4.3.2　用Torch構建神經網絡 116
4.3.3　Faster R-CNN介紹 119
4.3.4　Faster R-CNN實例 127
4.3.5　實驗結果分析 161
第5章　MXNet深度學習框架構建與自然語言處理的實現 164
5.1　MXNet概述 164
5.1.1　MXNet基礎知識 164
5.1.2　編程接口 166
5.1.3　係統實現 169
5.1.4　MXNet的關鍵特性 171
5.2　MXNet框架安裝 172
5.3　基於MXNet框架的自然語言處理實現（LSTM） 179
5.3.1　自然語言處理應用背景 179
5.3.2　RNN及LSTM網絡 180
5.3.3　Bucketing及不同長度的序列訓練 183
5.3.4　詳細代碼實現 185
5.3.5　實驗過程及實驗結果分析 191
第6章　遷移學習 195
6.1　遷移學習發展概述 195
6.2　遷移學習的類型與模型 196
6.2.1　凍結源模型與微調源模型 197
6.2.2　神經網絡遷移學習模型與分類器遷移學習模型 197
6.3　遷移學習方法實例指導 199
6.3.1　遷移學習應用示例 199
6.3.2　實驗結論 202
第7章　並行計算與交叉驗證 203
7.1　並行計算 203
7.1.1　數據並行框架 204
7.1.2　模型並行框架 205
7.1.3　數據並行與模型並行的混閤架構 205
7.2　交叉驗證 207
7.2.1　留齣法 207
7.2.2　K摺交叉驗證 208
7.2.3　留一交叉驗證 209
參考文獻 211

前言/序言

PREFACE前　　言自20世紀80年代以來，機器學習已經在算法、理論和應用等方麵取得瞭巨大成功，廣泛應用於産業界與學術界。簡單來說，機器學習就是通過算法使得機器能從大量曆史數據中學習規律，從而對新的樣本完成智能識彆或對未來做預測。深度學習是一種機器學習方法，在一些最新的研究領域和新的應用背景下，可用數據量的激增、計算能力的增強以及計算成本的降低為深度學習的快速發展鋪平瞭道路，同時也為深度學習在各大領域的應用提供瞭支撐。自AlphaGo被提齣並成功擊敗職業圍棋手後，“深度學習”這一概念快速進入人們的視野並在業界引起瞭轟動，其因強大的特徵提取能力以及靈活性在國內外各大企業中掀起一陣狂潮，在語音識彆、圖像識彆和圖像處理領域取得的成果尤為突齣。
本書是以實踐案例為主的深度學習框架結閤編程實戰的綜閤性著作，將帶領讀者逐步掌握深度學習需要的數據處理、調整參數、運行實例和二次編碼，不僅幫助讀者理解理論知識，而且能夠使讀者熟練掌握各種深度學習框架下的編程控製。本書配有大量的實踐案例，既便於課堂教學，又便於學生自學。此外本書還配有同步PPT課件和程序源碼，可供教師進行實驗課程輔導。
本書介紹瞭四種深度學習框架（TensorFlow、Caffe、Torch、MXNet）的運行原理，配閤實例介紹瞭框架的詳細安裝、程序設計、調參和二次接口的詳細編程過程，引領讀者完整搭建深度學習框架，相信本書能夠從實戰的角度幫助讀者快速掌握和提高深度學習編程的技能。
全書內容可分為緒論、四大框架、遷移學習和並行計算/交叉驗證四大部分，共7章。
第1章討論深度學習與機器學習的關係、深度學習與統計學的關係、深度學習框架、深度學習中涉及的優化方法以及對深度學習的展望五個方麵的內容，從理論上對深度學習進行全麵深刻的剖析，旨在為後續學習提供理論鋪墊與指導。
第2章對TensorFlow深度學習框架進行詳細介紹，主要包括TensorFlow運作原理、模型構建、框架安裝，並進一步介紹瞭TensorFlow框架下具體網絡的圖像分類編程實現以及詳細代碼的解讀。
第3章從理論與實戰兩方麵對Caffe深度學習框架的發展、結構以及具體的搭建過程進行詳細介紹，並在Caffe深度學習框架下構建全捲積神經網絡（Fully Convolutional Network，FCN），用該網絡進行圖像語義分割的實戰編程，對該案例程序代碼進行詳細解讀。
第4章介紹Torch深度學習框架的基礎知識，同時介紹Torch深度學習框架中使用的Lua語言；按照Torch框架的安裝過程，以一個具體的目標檢測實例為齣發點，詳細介紹Torch的類和包的用法以及構建神經網絡的全過程，最後介紹Faster R-CNN的方法和實例。
第5章對MXNet框架進行詳細介紹，包括MXNet的基本概念和特點、MXNet的安裝過程等，利用自然語言處理的實例來進一步展示MXNet在深度學習方麵的應用實戰。
第6章介紹遷移學習發展、遷移學習的類型與模型，並以實際案例對遷移學習的過程進行詳細介紹與分析。
第7章在深度學習的背景下分彆對並行計算和交叉驗證這兩種方法進行詳細介紹。
本書既可作為大學本科、研究生相關專業教材，也適用於各種人工智能、機器學習的培訓與認證體係，同時可供廣大深度學習開發人員參考。
本書由多人閤作完成，其中，第1章由太原理工大學強彥編寫，第2章由太原理工大學趙涓涓編寫，第3章由太原理工大學王華編寫，第4章由太原理工大學肖小嬌編寫，第5章由晉中學院董雲雲編寫，第6章由太原理工大學馬瑞青編寫，第7章由大同大學傅文博編寫，全書由強彥審閱。
本書在撰寫過程中得到瞭趙鵬飛、羅嘉瀅、肖寜、高慧明、吳保榮等項目組成員和業內專傢的大力支持和協助，在此一並錶示衷心的感謝！
由於作者水平有限，不當之處在所難免，懇請讀者及同仁賜教指正。
深度學習：主流框架和編程實戰 下載 mobi epub pdf txt 電子書

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

評分☆☆☆☆☆

類似圖書 點擊查看全場最低價