简体网页||繁体网页

☆☆☆☆☆

图书标签:

• 深度学习
• 机器学习
• TensorFlow
• 优化算法
• 模式识别
• 神经网络
• 人工智能
• Python
• 书籍
• 技术

店铺： 旷氏文豪图书专营店

出版社： 人民邮电出版社

ISBN：9787115461476

商品编码：13854646713

YL8208  9787115461476 9787302473671 9787121312700 9787121309120

深度学习

本书包括3 个部分：第1 部分介绍基本的数学工具和机器学习的概念，它们是深度学习的预备知识；第2 部分系统深入地讲解现今已成熟的深度学习方法和技术；第3 部分讨论某些具有前瞻性的方向和想法，它们被**为是深度学习未来的研究重点。

本书适合各类读者阅读，包括相关**的大学生或研究生，以及不具有机器学习或统计背景、但是想要快速补充深度学习知识，以便在实际产品或平台中应用的软件工程师

 

致谢   

数学符号   

1章 前言   

1部分 应用数学与机器学习基础   

第二章 线性代数

第三章 概率与信息论

第四章 数值计算

第五章 机器学习基础

第二部分 深层网络：现代实践

第六章 深度前馈网络

第七章 深度学习中的正则化

第八章 深度模型中的优化

第九章 卷积网络

第十章 序列建模：循环和递归网络

第十一章 实践方法论

第十二章 应用

第三部分 深度学习研究

第十三章 线性因子模型

第十四章 自编码器

第十五章 表示学习

第十六章 深度学习中的结构化概率模型

第十七章 蒙特卡罗方法

第十八章 直面配分函数

第十九章 近似推断

第二十章 深度生成模型

深度学习、优化与识别

深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；*部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及*进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。

本书可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关**本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。

第1章 深度学习基础1

1.1 数学基础2

1.1.1 矩阵论2

1.1.2 概率论3

1.1.3 优化分析5

1.1.4 框架分析6

1.2 稀疏表示8

1.2.1 稀疏表示初步8

1.2.2 稀疏模型20

1.2.3 稀疏认知学习、计算与识别的范式24

1.3 机器学习与神经网络31

1.3.1 机器学习31

1.3.2 神经网络36

       参考文献38

第2章 深度前馈神经网络41

2.1 神经元的生物机理42

2.1.1 生物机理42

2.1.2 单隐层前馈神经网络43

2.2 多隐层前馈神经网络45

2.3 反向传播算法47

2.4 深度前馈神经网络的学习范式48

       参考文献51

第3章 深度卷积神经网络54

3.1 卷积神经网络的生物机理及数学刻画55

3.1.1 生物机理55

3.1.2 卷积流的数学刻画56

3.2 深度卷积神经网络61

3.2.1 典型网络模型与框架61

3.2.2 学习算法及训练策略69

3.2.3 模型的优缺点分析71

3.3 深度反卷积神经网络73

3.3.1 卷积稀疏编码74

3.3.2 深度反卷积神经网络75

3.3.3 网络模型的性能分析与应用举例77

3.4 全卷积神经网络77

3.4.1 网络模型的数学刻画77

3.4.2 网络模型的性能分析及应用举例79

参考文献80

第4章 深度堆栈自编码网络83

4.1 自编码网络84

4.1.1 逐层学习策略84

4.1.2 自编码网络84

4.1.3 自编码网络的常见范式87

4.2 深度堆栈网络90

4.3 深度置信网络/深度玻尔兹曼机网络93

4.3.1 玻尔兹曼机/受限玻尔兹曼机93

4.3.2 深度玻尔兹曼机/深度置信网络94

       参考文献96

第5章 稀疏深度神经网络99

5.1 稀疏性的生物机理100

5.1.1 生物视觉机理100

5.1.2 稀疏性响应与数学物理描述102

5.2 稀疏深度网络模型及基本性质102

5.2.1 数据的稀疏性103

5.2.2 稀疏正则103

5.2.3 稀疏连接104

5.2.4 稀疏分类器设计106

5.2.5 深度学习中关于稀疏的技巧与策略108

5.3 网络模型的性能分析110

5.3.1 稀疏性对深度学习的影响110

5.3.2 对比实验及结果分析110

        参考文献111

第6章 深度融合网络113

6.1 深度SVM网络114

6.1.1 从神经网络到SVM114

6.1.2 网络模型的结构115

6.1.3 训练技巧117

6.2 深度PCA网络117

6.3 深度ADMM网络119

6.4 深度极限学习机121

6.4.1 极限学习机121

6.4.2 深度极限学习机123

6.5 深度多尺度几何网络125

6.5.1 深度脊波网络125

6.5.2 深度轮廓波网络127

6.6 深度森林130

6.6.1 多分辨特性融合131

6.6.2 级联特征深度处理131

       参考文献133

第7章 深度生成网络136

7.1 生成式对抗网络的基本原理137

7.1.1 网络模型的动机137

7.1.2 网络模型的数学物理描述139

7.2 深度卷积对抗生成网络141

7.2.1 网络模型的基本结构141

7.2.2 网络模型的性能分析144

7.2.3 网络模型的典型应用146

7.3 深度生成网络模型的新范式151

7.3.1 生成式对抗网络的新范式151

7.3.2 网络框架的性能分析与改进154

7.4 应用驱动下的两种新生成式对抗网络155

7.4.1 堆栈生成式对抗网络155

7.4.2 对偶学习范式下的生成式对抗网络158

7.5 变分自编码器160

        参考文献162

第8章 深度复卷积神经网络与深度二值神经网络167

8.1 深度复卷积神经网络168

8.1.1 网络模型构造的动机168

8.1.2 网络模型的数学物理描述168

8.2 深度二值神经网络172

8.2.1 网络基本结构172

8.2.2 网络的数学物理描述173

8.2.3 讨论176

        参考文献177

第9章 深度循环和递归神经网络180

9.1 深度循环神经网络181

9.1.1 循环神经网络的生物机理181

9.1.2 简单的循环神经网络181

9.1.3 深度循环神经网络的数学物理描述183

9.2 深度递归神经网络188

9.2.1 简单的递归神经网络188

9.2.2 深度递归神经网络的优势189

9.3 长短时记忆神经网络190

9.3.1 改进动机分析190

9.3.2 长短时记忆神经网络的数学分析191

9.4 典型应用192

9.4.1 深度循环神经网络的应用举例193

9.4.2 深度递归神经网络的应用举例194

       参考文献194

第10章 深度强化学习197

10.1 深度强化学习基础198

10.1.1 深度强化学习的基本思路198

10.1.2 发展历程198

10.1.3 应用的新方向200

10.2 深度Q网络201

10.2.1 网络基本模型与框架201

10.2.2 深度Q网络的数学分析202

10.3 应用举例—AlphaGo204

10.3.1 AlphaGo原理分析205

10.3.2 深度强化学习性能分析206

        参考文献207

第11章 深度学习软件仿真平台及开发环境209

11.1 Caffe平台210

11.1.1 Caffe平台开发环境210

11.1.2 AlexNet神经网络学习210

11.1.3 AlexNet神经网络应用于图像分类212

11.2 TensorFlow平台215

11.2.1 TensorFlow平台开发环境215

11.2.2 深度卷积生成式对抗网DCGAN216

11.2.3 DAN应用于样本扩充217

11.3 MXNet平台220

11.3.1 MXNet平台开发环境220

11.3.2 VGG-NET深度神经网络学习222

11.3.3 图像分类应用任务225

11.4 Torch 7平台226

11.4.1 Torch 7平台开发环境226

11.4.2 二值神经网络227

11.4.3 二值神经网络应用于图像分类239

11.5 Theano平台233

11.5.1 Theano平台开发环境233

11.5.2 递归神经网络234

11.5.3 LSTM应用于情感分类任务237

         参考文献238

第12章 基于深度神经网络的SAR/PolSAR影像地物分类240

12.1 数据集及研究目的241

12.1.1 数据集特性分析241

12.1.2 基本数据集244

12.1.3 研究目的247

12.2 基于深度神经网络的SAR影像地物分类251

12.2.1 基于自适应自编码和**像素的SAR图像分类251

12.2.2 基于卷积中层特征学习的SAR图像分类257

12.3 基于1代深度神经网络的PolSAR影像地物分类263

12.3.1 基于稀疏极化DBN的极化SAR地物分类263

12.3.2 基于深度PCA网络的极化SAR影像地物分类267

12.4 基于第二代深度神经网络的PolSAR影像地物分类271

12.4.1 基于深度复卷积网络的极化PolSAR影像地物分类271

12.4.2基于生成式对抗网的极化PolSAR影像地物分类274

12.4.3基于深度残差网络的极化PolSAR影像地物分类278

         参考文献280......

TensorFlow实战

Google近日发布了TensorFlow 1.0候选版，这个稳定版将是深度学习框架发展中的里程碑的一步。自TensorFlow于2015年底正式开源，距今已有一年多，这期间TensorFlow不断给人以惊喜，推出了分布式版本，服务框架TensorFlow Serving，可视化工具TensorFlow，上层封装TF.Learn，其他语言（Go、Java、Rust、Haskell）的绑定、Windows的支持、JIT编译器XLA、动态计算图框架Fold，以及数不胜数的**模型在TensorFlow上的实现（Inception Net、SyntaxNet等）。在这一年多时间，TensorFlow已从初入深度学习框架大战的新星，成为了几近垄断的行业事实标准。

《TensorFlow实战》希望用简单易懂的语言带领大家探索TensorFlow（基于1.0版本API）。在《TensorFlow实战》中我们讲述了TensorFlow的基础原理，TF和其他框架的异同。并用具体的代码完整地实现了各种类型的深度神经网络：AutoEncoder、MLP、CNN（AlexNet，VGGNet，Inception Net，ResNet）、Word2Vec、RNN（LSTM，Bi-RNN）、Deep Reinforcement Learning(Policy Network、Value Network)。此外，《TensorFlow实战》还讲解了TensorBoard、多GPU并行、分布式并行、TF.Learn和其他TF.Contrib组件。《TensorFlow实战》希望能帮读者快速入门TensorFlow和深度学习，在工业界或者研究中快速地将想法落地为可实践的模型。

1    TensorFlow基础  1

1.1  TensorFlow概要  1

1.2  TensorFlow编程模型简介  4

2    TensorFlow和其他深度学习框架的对比  18

2.1  主流深度学习框架对比  18

2.2  各深度学习框架简介  20

3    TensorFlow1步  39

3.1  TensorFlow的编译及安装  39

3.2  TensorFlow实现SoftmaxRegression识别手写数字  46

4    TensorFlow实现自编码器及多层感知机  55

4.1  自编码器简介  55

4.2  TensorFlow实现自编码器  59

4.3  多层感知机简介  66

4.4  TensorFlow实现多层感知机  70

5    TensorFlow实现卷积神经网络  74

5.1  卷积神经网络简介  74

5.2  TensorFlow实现简单的卷积网络 80

5.3  TensorFlow实现进阶的卷积网络  83

6    TensorFlow实现**卷积神经网络  95

6.1  TensorFlow实现AlexNet  97

6.2  TensorFlow实现VGGNet  108

6.3  TensorFlow实现GoogleInceptionNet  119

6.4  TensorFlow实现ResNet  143

6.5  卷积神经网络发展趋势  156

7    TensorFlow实现循环神经网络及Word2Vec  159

7.1  TensorFlow实现Word2Vec  159

7.2  TensorFlow实现基于LSTM的语言模型  173

7.3  TensorFlow实现BidirectionalLSTMClassifier  188

8    TensorFlow实现深度强化学习  195

8.1  深度强化学习简介  195

8.2  TensorFlow实现策略网络  201

8.3  TensorFlow实现估值网络  213

9    TensorBoard、多GPU并行及分布式并行  233

9.1  TensorBoard  233

9.2  多GPU并行  243

9.3  分布式并行  249

10    TF.Learn从入门到精通  259

10.1  分布式Estimator  259

10.2  深度学习Estimator  267

10.3  机器学习Estimator  272

10.4  DataFrame  278

10.5  监督器Monitors  279

11    TF.Contrib的其他组件  283

11.1  统计分布  283

11.2  Layer模块  285

11.3  性能分析器tfprof   293

参考文献  297

深入浅出深度学习：原理剖析与Python实践

本书介绍了深度学习相关的原理与应用，全书共分为三大部分，*部分主要回顾了深度学习的发展历史，以及Theano的使用；第二部分详细讲解了与深度学习相关的基础知识，包括线性代数、概率论、概率图模型、机器学习和*化算法；在第三部分中，针对若干核心的深度学习模型，如自编码器、受限玻尔兹曼机、递归神经网络和卷积神经网络等进行详细的原理分析与讲解，并针对不同的模型给出相应的具体应用。本书适合有一定高等数学、机器学习和Python编程基础的在校学生、高校研究者或在企业中从事深度学习的工程师使用，书中对模型的原理与难点进行了深入分析，在每一章的*后都提供了详细的参考文献，读者可以对相关的细节进行更深入的研究。*后，理论与实践相结合，本书针对常用的模型分别给出了相应的应用，读者也可以在Github中下载和查看本书的代码（https://github.com/innovation-cat/DeepLearningBook）。
1 绪论1
1.1 人工智能、机器学习与深度学习的关系2
1.1.1 人工智能——机器推理3
1.1.2 机器学习——数据驱动的科学4
1.1.3 深度学习——大脑的仿真7
1.2 深度学习的发展历程7
1.3 深度学习技术概述9
1.3.1 从低层到高层的特征抽象10
1.3.2 让网络变得更深12
1.3.3 自动特征提取13
1.4 深度学习框架14
2 Theano基础18
2.1 符号变量19
2.2 符号计算的抽象——符号计算图模型22
2.3 函数25
2.3.1 函数的定义25
2.3.2 Logistic回归26
2.3.3 函数的复制28
2.4 条件表达式30
2.5 循环31
2.6 共享变量38
2.7 配置38
2.7.1 通过THEANO_FLAGS配置39
2.7.2 通过.theanorc文件配置40
2.8 常用的Debug技巧41
2.9 小结42
3 线性代数基础43
3.1 标量、向量、矩阵和张量43
3.2 矩阵初等变换44
3.3 线性相关与向量空间45
3.4 范数46
3.4.1 向量范数46
3.4.2 矩阵范数49
3.5 特殊的矩阵与向量52
3.6 特征值分解53
3.7 奇异值分解55
3.8 迹运算56
3.9 样例：主成分分析57
4 概率统计基础61
4.1 样本空间与随机变量62
4.2 概率分布与分布函数62
4.3 一维随机变量63
4.3.1 离散随机变量和分布律63
4.3.2 连续随机变量和概率密度函数64
4.4 多维随机变量65
4.4.1 离散型二维随机变量和联合分布律66
4.4.2 连续型二维随机变量和联合密度函数66
4.5 边缘分布67
4.6 条件分布与链式法则68
4.6.1 条件概率68
4.6.2 链式法则70
4.7 多维随机变量的独立性分析70
4.7.1 边缘独立71
4.7.2 条件独立71
4.8 数学期望、方差、协方差72
4.8.1 数学期望72
4.8.2 方差73
4.8.3 协方差73
4.8.4 协方差矩阵75
4.9 信息论基础78
4.9.1 信息熵78
4.9.2 条件熵80
4.9.3 互信息81
4.9.4 交叉熵与相对熵81
5 概率图模型84
5.1 生成模型与判别模型86
5.2 图论基础87
5.2.1 图的结构87
5.2.2 子图88
5.2.3 路径、迹、环与拓扑排序89
5.3 贝叶斯网络93
5.3.1 因子分解93
5.3.2 局部马尔科夫独立性断言96
5.3.3 I-Map与因子分解97
5.3.4 有效迹101
5.3.5 D-分离与全局马尔科夫独立性105
5.4 马尔科夫网络106..........

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆

评分☆☆☆☆☆