YL8930  9787111573678 9787121317132

深度學習與計算機視覺：算法原理、框架應用與代碼實現

全書共13章，分為2篇。第1篇基礎知識，介紹瞭人工智能發展裏程、計算機視覺概要、深度學習和計算機視覺中的基礎數學知識、神經網絡及其相關的機器學習基礎、捲積神經網絡及其一些常見結構，後對前沿的趨勢進行瞭簡單探討。第2篇實例精講，介紹瞭Python基礎、OpneCV基礎、簡單的分類神經網絡、圖像識彆、利用Caffe做迴歸、遷移學習和模型微調、目標檢測、度量學習和圖像風格遷移等常見的計算機視覺應用場景。從第5章開始包含瞭很多有趣和實用的代碼示例。從第7章開始的所有實例都基於當前流行的深度學習框架中的Caffe和MXNet。

序言 
前言 
第1篇 基礎知識
第1章 引言2
1.1 人工智能的新焦點——深度學習2
1.1.1 人工智能——神話傳說到影視漫畫2
1.1.2 人工智能的誕生3
1.1.3 神經科學的研究4
1.1.4 人工神經網絡的興起5
1.1.5 神經網絡的1次寒鼕6
1.1.6 神經網絡的1次復興8
1.1.7 神經網絡的第二次寒鼕9
1.1.8 2006年——深度學習的起點10
1.1.9 生活中的深度學習11
1.1.10 常見深度學習框架簡介12
1.2 給計算機一雙眼睛——計算機視覺14
1.2.1 計算機視覺簡史14
1.2.2 2012年——計算機視覺的新起點16
1.2.3 計算機視覺的應用17
1.2.4 常見計算機視覺工具包19
1.3 基於深度學習的計算機視覺19
1.3.1 從ImageNet競賽到AlphaGo戰勝李世石——計算機視覺**越人類19
1.3.2 GPU和並行技術——深度學習和計算視覺發展的加速器21
1.3.3 基於捲積神經網絡的計算機視覺應用22
第2章 深度學習和計算機視覺中的基礎數學知識27
2.1 綫性變換和非綫性變換27
2.1.1 綫性變換的定義27
2.1.2 高中教科書中的小例子28
2.1.3 點積和投影28
2.1.4 矩陣乘法的幾何意義（1）30
2.1.5 本徵嚮量和本徵值34
2.1.6 矩陣乘法的幾何意義（2）37
2.1.7 奇異值分解38
2.1.8 綫性可分性和維度39
2.1.9 非綫性變換42
2.2 概率論及相關基礎知識43
2.2.1 條件概率和獨立43
2.2.2 期望值、方差和協方差44
2.2.3 熵45
2.2.4 *大似然估計（Maximum Likelihood Estimation，MLE）47
2.2.5 KL散度（Kullback–Leibler divergence）49
2.2.6 KL散度和MLE的聯係49
2.3 維度的詛咒50
2.3.1 采樣和維度50
2.3.2 高維空間中的體積51
2.3.3 高維空間中的距離53
2.3.4 中心極限定理和高維樣本距離分布的近似54
2.3.5 數據實際的維度56
2.3.6 局部泛化58
2.3.7 函數對實際維度的影響59
2.3.8 PCA——什麼是主成分60
2.3.9 PCA——通過本徵嚮量和本徵值求主成分60
2.3.10 PCA——通過主成分分析降維61
2.3.11 PCA——歸一化和相關性係數63
2.3.12 PCA——什麼樣的數據適閤PCA64
2.3.13 其他降維手段65
2.4 捲積66
2.4.1 點積和捲積66
2.4.2 一維捲積67
2.4.3 捲積和互相關68
2.4.4 二維捲積和圖像響應69
2.4.5 捲積的計算70
2.5 數學優化基礎71
2.5.1 *小值和梯度下降72
2.5.2 衝量（Momentum）73
2.5.3 牛頓法75
2.5.4 學習率和自適應步長77
2.5.5 學習率衰減（Learning Rate Decay）78
2.5.6 AdaGrad：每個變量有自己的節奏78
2.5.7 AdaDelta的進一步改進79
2.5.8 其他自適應算法80
2.5.9 損失函數81
2.5.10 分類問題和負對數似然82
2.5.11 邏輯迴歸83
2.5.12 Softmax：將輸齣轉換為概率84
2.5.13 鏈式求導法則84
第3章 神經網絡和機器學習基礎87
3.1 感知機87
3.1.1 基本概念87
3.1.2 感知機和綫性二分類87
3.1.3 激活函數88
3.2 神經網絡基礎89
3.2.1 從感知機到神經網絡89
3.2.2 *簡單的神經網絡二分類例子90
3.2.3 隱層神經元數量的作用93
3.2.4 更加復雜的樣本和更復雜的神經網絡94
3.3 後嚮傳播算法95
3.3.1 求神經網絡參數的梯度95
3.3.2 計算圖（Computational Graph）95
3.3.3 利用後嚮傳播算法計算一個神經網絡參數的梯度97
3.3.4 梯度消失99
3.3.5 修正綫性單元（ReLU）100
3.3.6 梯度爆炸101
3.3.7 梯度檢查（gradient check）102
3.3.8 從信息傳播的角度看後嚮傳播算法103
3.4 隨機梯度下降和批量梯度下降104
3.4.1 全量數據（full-batch）梯度下降104
3.4.2 隨機梯度下降（SGD）和小批量數據（mini-batch）104
3.4.3 數據均衡和數據增加（data augmentation）106
3.5 數據、訓練策略和規範化108
3.5.1 欠擬閤和過擬閤108
3.5.2 訓練誤差和測試誤差109
3.5.3 奧卡姆剃刀沒有**午餐111
3.5.4 數據集劃分和提前停止112
3.5.5 病態問題和約束113
3.5.6 L2規範化（L2 Regularization）113
3.5.7 L1規範化（L1 Regularization）114
3.5.8 集成（Ensemble）和隨機失活（Dropout）115
3.6 監督學習、非監督學習、半監督學習和強化學習117
3.6.1 監督學習、非監督學習和半監督學習117
3.6.2 強化學習（reinforcement learning）118
第4章 深度捲積神經網絡120
4.1 捲積神經網絡120
4.1.1 基本概念120
4.1.2 捲積層和特徵響應圖121
4.1.3 參數共享123
4.1.4 稀疏連接124
4.1.5 多通道捲積125
4.1.6 激活函數125
4.1.7 池化、不變性和感受野126
4.1.8 分布式錶徵（Distributed Representation）128
4.1.9 分布式錶徵和局部泛化130
4.1.10 分層錶達131
4.1.11 捲積神經網絡結構131
4.2 LeNet——1個捲積神經網絡132
4.3 新起點——AlexNet133
4.3.1 網絡結構133
4.3.2 局部響應歸一化（Local Response Normalization，LRN）136
4.4 更深的網絡——GoogLeNet1 深度學習與計算機視覺+深度學習輕鬆學 2本 人工智能機器人視覺係統編程教程書 下載 mobi epub pdf txt 電子書