滿額折
神經網絡與深度學習（簡體書）
商品資訊
系列名：普通高等教育人工智能專業系列教材
ISBN13：9787522609041
出版社：中國水利水電出版社(水利電力出版社)
作者：王改華
出版日：2022/08/25
裝訂／頁數：平裝／168頁
規格：24cm*17cm (高/寬)
版次：一版
商品簡介
目次
商品簡介
本書主要介紹神經網絡與深度學習的相關知識點，注重分析神經網絡與深度學習的基本概念、基本原理和網絡結構，並對主要算法及其應用展開討論及闡述。
全書分為兩部分：基礎知識篇與網絡應用篇。基礎知識篇介紹了神經網絡與深度學習的概念及發展，神經網絡與深度學習相關的數學基礎知識，神經網絡、卷積神經網絡與自編碼器等基礎算法原理及其特點。網絡應用篇對深度學習及計算機視覺領域的主要應用進行剖析，從圖像分類、語義分割、目標檢測等方面對典型算法進行詳細介紹。全書內容體系完整、層次分明，結合深度學習的近期新技術進展，幫助讀者更深入地了解深度學習的算法原理及使用方法。
本書主要面向高校人工智能及相關專業的學生，也可供從事相關領域工作的工程技術人員參考使用。
全書分為兩部分：基礎知識篇與網絡應用篇。基礎知識篇介紹了神經網絡與深度學習的概念及發展，神經網絡與深度學習相關的數學基礎知識，神經網絡、卷積神經網絡與自編碼器等基礎算法原理及其特點。網絡應用篇對深度學習及計算機視覺領域的主要應用進行剖析，從圖像分類、語義分割、目標檢測等方面對典型算法進行詳細介紹。全書內容體系完整、層次分明，結合深度學習的近期新技術進展，幫助讀者更深入地了解深度學習的算法原理及使用方法。
本書主要面向高校人工智能及相關專業的學生，也可供從事相關領域工作的工程技術人員參考使用。
目次
前言
基礎知識篇
第1章緒論
1.1人工智能相關概念
1.2神經網絡算法發展及應用
1.2.1神經網絡結構
1.2.2神經網絡的發展及應用
1.3深度學習算法的發展及應用
1.3.1卷積神經網絡技術的發展
1.3.2自編碼器的發展
習題
第2章神經網絡模型
2.1神經網絡模型構成
2.1.1神經元模型
2.1.2感知器
2.2BP神經網絡
2.2.1BP神經網絡結構
2.2.2改進的BP神經網絡
習題
第3章相關數學基礎知識
3.1矩陣
3.1.1基本概念
3.1.2矩陣運算
3.2範數
3.3卷積運算
3.4激活函數
3.4.1線性激活函數
3.4.2非線性激活函數
3.5信息熵
習題
第4章卷積神經網絡
4.1卷積神經網絡原理
4.2LeNet
4.2.1分層結構
4.2.2反向傳播
4.3A1exNet
4.3.1網絡結構
4.3.2網絡特點
習題
第5章卷積神經網絡擴展機制
5.1注意力機制
5.1.1注意力機制的分類
5.1.2深度學習中的注意力機制
5.2卷積變體
5.2.1分組卷積
5.2.2深度可分離卷積
5.2.3膨脹卷積
5.2.4全卷積網絡
5.2.5可變形卷積
習題
第6章深度學習中涉及的相關網絡
6.1循環神經網絡
6.1.1網絡結構
6.1.2RNN的類型
6.1.3RNN反向傳播
6.2LSTM
6.2.1遺忘門
6.2.2輸入門
6.2.3細胞更新
6.2.4輸出門
6.3生成式對抗網絡
6.3.1前向傳播過程
6.3.2優化訓練過程
6.4特徵金字塔網絡
6.4.1基本概念
6.4.2特徵金字塔的應用
習題
第7章自編碼器
7.1相關概念
7.2自編碼器原理
713自編碼器的拓展網絡
7.3.1稀疏自編碼器
7.3.2棧式自編碼器
7.3.3其他自編碼器
習題
第8章損失函數與優化算法
8.1正則化與歸一化
8.1.1參數範數懲罰
8.1.2Dropout
8.1.3歸一化
8.2損失函數
8.2.1交叉熵損失函數
8.2.2其他損失函數
8.3基於梯度的優化方法
8.3.1基本算法
8.3.2自適應學習率算法
習題
第9章深度學習中的相關問題
9.1擬合
9.1.1數據增強
9.1.2正則化
9.2梯度消失和梯度爆炸
9.3卷積神經網絡的壓縮
9.3.1核的稀疏化
9.3.2剪枝
9.3.3模型量化
9.3.4模型蒸餾
習題
第10章深度學習中的性能指標
10.1分類指標
10.2指標曲線
10.2.1ROC曲線
10.2.2如何畫ROC曲線
10.2.3AUC
10.3分割指標
10.3.1分割指標概述
10.3.2常用的幾種分割指標
10.4模型複雜度
10.4.1參數量
10.4.2計算量
習題
網絡應用篇
第11章圖像數據集
11.1圖像分類數據集
11.2語義分割數據集
11.3細粒度圖像分類通用數據集
11.4目標變化檢測數據集
第12章典型卷積神經網絡
12.1GoogLeNet網絡
12.2ResNet網絡
12.3ShuffieNet網絡
12.4Mobi1eNet網絡
12.4.1網絡結構
12.4.2Mobi1eNetV2
12.4.3Mobi1eNetV3
第13章基於深度學習的語義分割算法
13.1傳統語義分割算法
13.2典型卷積語義分割算法
13.2.1全卷積類語義分割網絡
13.2.2金字塔類語義分割網絡
13.2.3注意力機制類語義分割網絡
13.3PSPNet程序分析與實現
13.3.1數據集處理
13.3.2主幹網搭建
13.3.3PSPNet搭建
第14章基於深度學習的目標檢測
14.1兩階段目標檢測算法
14.1.1R-CNN算法框架
14.1.2FasterR-CNN算法
14.2端到端目標檢測方法
14.2.1YOL0系列算法
14.2.2FCOS
14.3YOLOV3目標檢測程序分析與實現
14.3.1數據讀取
14.3.2模塊搭建
14.3.3程序訓練與測試
第15章基於深度學習的細粒度圖像分類模型
15.1細粒度圖像分類模型
15.1.1基於高階編碼形式
15.1.2基於網絡集成的方法
15.1.3基於定位.識別的方法
15.2基於定位.識別方法的程序分析與實現
15.2.1數據集處理
15.2.2主幹網絡搭建
15.213WS.DAN網絡搭建
第16章基於深度學習的實例分割算法
16.1典型實例分割算法
16.1.1MaskR-CNN
16.1.2Po1arMask
……
基礎知識篇
第1章緒論
1.1人工智能相關概念
1.2神經網絡算法發展及應用
1.2.1神經網絡結構
1.2.2神經網絡的發展及應用
1.3深度學習算法的發展及應用
1.3.1卷積神經網絡技術的發展
1.3.2自編碼器的發展
習題
第2章神經網絡模型
2.1神經網絡模型構成
2.1.1神經元模型
2.1.2感知器
2.2BP神經網絡
2.2.1BP神經網絡結構
2.2.2改進的BP神經網絡
習題
第3章相關數學基礎知識
3.1矩陣
3.1.1基本概念
3.1.2矩陣運算
3.2範數
3.3卷積運算
3.4激活函數
3.4.1線性激活函數
3.4.2非線性激活函數
3.5信息熵
習題
第4章卷積神經網絡
4.1卷積神經網絡原理
4.2LeNet
4.2.1分層結構
4.2.2反向傳播
4.3A1exNet
4.3.1網絡結構
4.3.2網絡特點
習題
第5章卷積神經網絡擴展機制
5.1注意力機制
5.1.1注意力機制的分類
5.1.2深度學習中的注意力機制
5.2卷積變體
5.2.1分組卷積
5.2.2深度可分離卷積
5.2.3膨脹卷積
5.2.4全卷積網絡
5.2.5可變形卷積
習題
第6章深度學習中涉及的相關網絡
6.1循環神經網絡
6.1.1網絡結構
6.1.2RNN的類型
6.1.3RNN反向傳播
6.2LSTM
6.2.1遺忘門
6.2.2輸入門
6.2.3細胞更新
6.2.4輸出門
6.3生成式對抗網絡
6.3.1前向傳播過程
6.3.2優化訓練過程
6.4特徵金字塔網絡
6.4.1基本概念
6.4.2特徵金字塔的應用
習題
第7章自編碼器
7.1相關概念
7.2自編碼器原理
713自編碼器的拓展網絡
7.3.1稀疏自編碼器
7.3.2棧式自編碼器
7.3.3其他自編碼器
習題
第8章損失函數與優化算法
8.1正則化與歸一化
8.1.1參數範數懲罰
8.1.2Dropout
8.1.3歸一化
8.2損失函數
8.2.1交叉熵損失函數
8.2.2其他損失函數
8.3基於梯度的優化方法
8.3.1基本算法
8.3.2自適應學習率算法
習題
第9章深度學習中的相關問題
9.1擬合
9.1.1數據增強
9.1.2正則化
9.2梯度消失和梯度爆炸
9.3卷積神經網絡的壓縮
9.3.1核的稀疏化
9.3.2剪枝
9.3.3模型量化
9.3.4模型蒸餾
習題
第10章深度學習中的性能指標
10.1分類指標
10.2指標曲線
10.2.1ROC曲線
10.2.2如何畫ROC曲線
10.2.3AUC
10.3分割指標
10.3.1分割指標概述
10.3.2常用的幾種分割指標
10.4模型複雜度
10.4.1參數量
10.4.2計算量
習題
網絡應用篇
第11章圖像數據集
11.1圖像分類數據集
11.2語義分割數據集
11.3細粒度圖像分類通用數據集
11.4目標變化檢測數據集
第12章典型卷積神經網絡
12.1GoogLeNet網絡
12.2ResNet網絡
12.3ShuffieNet網絡
12.4Mobi1eNet網絡
12.4.1網絡結構
12.4.2Mobi1eNetV2
12.4.3Mobi1eNetV3
第13章基於深度學習的語義分割算法
13.1傳統語義分割算法
13.2典型卷積語義分割算法
13.2.1全卷積類語義分割網絡
13.2.2金字塔類語義分割網絡
13.2.3注意力機制類語義分割網絡
13.3PSPNet程序分析與實現
13.3.1數據集處理
13.3.2主幹網搭建
13.3.3PSPNet搭建
第14章基於深度學習的目標檢測
14.1兩階段目標檢測算法
14.1.1R-CNN算法框架
14.1.2FasterR-CNN算法
14.2端到端目標檢測方法
14.2.1YOL0系列算法
14.2.2FCOS
14.3YOLOV3目標檢測程序分析與實現
14.3.1數據讀取
14.3.2模塊搭建
14.3.3程序訓練與測試
第15章基於深度學習的細粒度圖像分類模型
15.1細粒度圖像分類模型
15.1.1基於高階編碼形式
15.1.2基於網絡集成的方法
15.1.3基於定位.識別的方法
15.2基於定位.識別方法的程序分析與實現
15.2.1數據集處理
15.2.2主幹網絡搭建
15.213WS.DAN網絡搭建
第16章基於深度學習的實例分割算法
16.1典型實例分割算法
16.1.1MaskR-CNN
16.1.2Po1arMask
……
購物須知
大陸出版品因裝訂品質及貨運條件與台灣出版品落差甚大，除封面破損、內頁脫落等較嚴重的狀態，其餘商品將正常出貨。
特別提醒：部分書籍附贈之內容(如音頻mp3或影片dvd等)已無實體光碟提供，需以QR CODE 連結至當地網站註冊“並通過驗證程序”，方可下載使用。
無現貨庫存之簡體書，將向海外調貨：
海外有庫存之書籍，等候約45個工作天;
海外無庫存之書籍，平均作業時間約60個工作天，然不保證確定可調到貨，尚請見諒。
為了保護您的權益，「三民網路書店」提供會員七日商品鑑賞期(收到商品為起始日)。
若要辦理退貨，請在商品鑑賞期內寄回，且商品必須是全新狀態與完整包裝(商品、附件、發票、隨貨贈品等)否則恕不接受退貨。