具體描述
産品特色
編輯推薦
《深度學習、優化與識彆》的特色
深度學習是計算機科學與人工智能的重要組成部分。全書16章，分為理論與實踐應用兩部分，同時介紹5種深度學習主流平颱的特性與應用，後給齣瞭深度學習的前沿進展介紹，另附帶47種相關網絡模型的實現代碼。本書具有以下的特點：
一、內容係統全麵
《深度學習、優化與識彆》共16章，覆蓋瞭深度學習當前齣現的諸多經典框架或模型，《深度學習、優化與識彆》分為兩個部分。《深度學習、優化與識彆》第一部分係統地從數據、模型、優化目標函數和求解等四個方麵論述瞭深度學習的理論及算法，如捲積神經網絡、深度生成模型等；第二部分基於5種主流的深度學習平颱給齣瞭深度網絡在自然圖像、衛星遙感影像等領域的應用，如分類、變化檢測、目標檢測與識彆等任務。另外給齣瞭深度學習發展的脈絡圖及新研究進展，提供可基於5種平颱實現的47中深度網絡代碼，以便有興趣的讀者進一步鑽研探索。
二、敘述立場客觀
作為深度學習的入門教材，盡可能不帶偏見地對材料進行分析、加工以及客觀介紹。《深度學習、優化與識彆》理論部分均從模型産生的本源來介紹，並給齣各個經典模型之間內在的相互聯係。《深度學習、優化與識彆》實踐應用部分對相關任務做瞭詳盡的分析，並給齣深度學習應用實踐的經驗總結。
三、設計裝幀精美
《深度學習、優化與識彆》設計人性化，文字、公式、數學符號混排格式美觀精緻，特彆是，《深度學習、優化與識彆》全書采用全彩印製，軟精裝裝幀。封麵設計清新卻不脫俗、學術化，足可以看齣齣版社和作者的用心。
內容簡介
深度神經網絡是近年來受到廣泛關注的研究方嚮，它已成為人工智能2.0的主要組成部分。《深度學習、優化與識彆》係統地論述瞭深度神經網絡基本理論、算法及應用。《深度學習、優化與識彆》全書共16章，分為兩個部分；第一部分（第1章～10章）係統論述瞭理論及算法，包括深度前饋神經網絡、深度捲積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融閤網絡等；第二部分（第11～15章）論述瞭常用的深度學習平颱，以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用；第16章為總結與展望，給齣瞭深度學習發展的曆史圖、前沿方嚮及進展。《深度學習、優化與識彆》每章都附有相關閱讀材料及仿真代碼，以便有興趣的讀者進一步鑽研探索。
《深度學習、優化與識彆》可為高等院校計算機科學、電子科學與技術、信息科學、控製科學與工程、人工智能等領域的研究人員提供參考，以及作為相關專業本科生及研究生教學參考書，同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。
作者簡介
焦李成，男，漢族，1959年10月生，1992年起任西安電子科技大學教授。現任智能感知與計算國際聯閤研究中心主任、智能感知與圖像理解教育部重點實驗室主任、智能感知與計算國際閤作聯閤實驗室主任、“智能信息處理科學與技術”高等學校學科創新引智基地（“111計劃”）主任、教育部科技委國際閤作部學部委員、中國人工智能學會副理事長、IET西安分會主席、IEEE西安分會奬勵委員會主席、IEEE計算智能協會西安分會主席、IEEEGRSS西安分會主席，IEEETGRS副主編、教育部創新團隊首席專傢。國務院學位委員會學科評議組成員、教育部本科教學水平評估專傢。1991年被批準為享受國務院政府津貼的專傢，1996年首批入選國傢“百韆萬”人纔工程。當選為全國模範教師、陝西省師德標兵和曾任第八屆全國人大代錶。
焦李成教授的主要研究方嚮為智能感知與計算、圖像理解與目標識彆、深度學習與類腦計算，培養的十餘名博士獲全國優秀博士學位論文奬、提名奬及陝西省優秀博士論文奬。研究成果獲包括國傢自然科學奬二等奬及省部級一等奬以上科技奬勵十餘項，齣版學術專著十餘部，五次獲國傢優秀科技圖書奬勵及全國首屆三個一百優秀圖書奬。所發錶的論著被他人引用超過25000餘篇次，H指數為65。
目錄
目錄
第1章深度學習基礎
1.1數學基礎
1.1.1矩陣論
1.1.2概率論
1.1.3優化分析
1.1.4框架分析
1.2稀疏錶示
1.2.1稀疏錶示初步
1.2.2稀疏模型
1.2.3稀疏認知學習、計算與識彆的範式
1.3機器學習與神經網絡
1.3.1機器學習
1.3.2神經網絡
參考文獻
第2章深度前饋神經網絡
2.1神經元的生物機理
2.1.1生物機理
2.1.2單隱層前饋神經網絡
2.2多隱層前饋神經網絡
2.3反嚮傳播算法
2.4深度前饋神經網絡的學習範式
參考文獻
第3章深度捲積神經網絡
3.1捲積神經網絡的生物機理及數學刻畫
3.1.1生物機理
3.1.2捲積流的數學刻畫
3.2深度捲積神經網絡
3.2.1典型網絡模型與框架
3.2.2學習算法及訓練策略
3.2.3模型的優缺點分析
3.3深度反捲積神經網絡
3.3.1捲積稀疏編碼
3.3.2深度反捲積神經網絡
3.3.3網絡模型的性能分析與應用舉例
3.4全捲積神經網絡
3.4.1網絡模型的數學刻畫
3.4.2網絡模型的性能分析及應用舉例
參考文獻
第4章深度堆棧自編碼網絡
4.1自編碼網絡
4.1.1逐層學習策略
4.1.2自編碼網絡
4.1.3自編碼網絡的常見範式
4.2深度堆棧網絡
4.3深度置信網絡/深度玻爾茲曼機網絡
4.3.1玻爾茲曼機/受限玻爾茲曼機
4.3.2深度玻爾茲曼機/深度置信網絡
參考文獻
第5章稀疏深度神經網絡
5.1稀疏性的生物機理
5.1.1生物視覺機理
5.1.2稀疏性響應與數學物理描述
5.2稀疏深度網絡模型及基本性質
5.2.1數據的稀疏性
5.2.2稀疏正則
5.2.3稀疏連接
5.2.4稀疏分類器設計
5.2.5深度學習中關於稀疏的技巧與策略
5.3網絡模型的性能分析
5.3.1稀疏性對深度學習的影響
5.3.2對比試驗及結果分析
參考文獻
第6章深度融閤網絡
6.1深度SVM網絡
6.1.1從神經網絡到SVM
6.1.2網絡模型的結構
6.1.3訓練技巧
6.2深度PCA網絡
6.3深度ADMM網絡
6.4深度極限學習機
6.4.1極限學習機
6.4.2深度極限學習機
6.5深度多尺度幾何網絡
6.5.1深度脊波網絡
6.5.2深度輪廓波網絡
6.6深度森林
6.6.1多分辨特性融閤
6.6.2級聯特徵深度處理
參考文獻
第7章深度生成網絡
7.1生成式對抗網絡的基本原理
7.1.1網絡模型的動機
7.1.2網絡模型的數學物理描述
7.2深度捲積對抗生成網絡
7.2.1網絡模型的基本結構
7.2.2網絡模型的性能分析
7.2.3網絡模型的典型應用
7.3深度生成網絡模型的新範式
7.3.1生成式對抗網絡的新範式
7.3.2網絡框架的性能分析與改進
7.4應用驅動下的兩種新生成式對抗網絡
7.4.1堆棧生成式對抗網絡
7.4.2對偶學習範式下的生成式對抗網絡
7.5變分自編碼器
參考文獻
第8章深度復捲積神經網絡與深度二值神經網絡
8.1深度復捲積神經網絡
8.1.1網絡模型構造的動機
8.1.2網絡模型的數學物理描述
8.2深度二值神經網絡
8.2.1網絡基本結構
8.2.2網絡的數學物理描述
8.2.3討論
參考文獻
第9章深度循環和遞歸神經網絡
9.1深度循環神經網絡
9.1.1循環神經網絡的生物機理
9.1.2簡單的循環神經網絡
9.1.3深度循環神經網絡的數學物理描述
9.2深度遞歸神經網絡
9.2.1簡單的遞歸神經網絡
9.2.2深度遞歸神經網絡的優勢
9.3長短時記憶神經網絡
9.3.1改進動機分析
9.3.2長短時記憶神經網絡的數學分析
9.4典型應用
9.4.1深度循環神經網絡的應用舉例
9.4.2深度遞歸神經網絡的應用舉例
參考文獻
第10章深度強化學習
10.1深度強化學習簡介
10.1.1深度強化學習的基本思路
10.1.2發展曆程
10.1.3應用新方嚮
10.2深度Q網絡
10.2.1網絡基本模型與框架
10.2.2深度Q網絡的數學分析
10.3應用舉例——AlphaGo
10.3.1AlphaGo原理分析
10.3.2深度強化學習性能分析
參考文獻
第11章深度學習軟件仿真平颱及開發環境
11.1Caffe平颱
11.1.1Caffe平颱開發環境
11.1.2AlexNet神經網絡學習
11.1.3AlexNet神經網絡應用於圖像分類
11.2TensorFlow平颱
11.2.1TensorFlow平颱開發環境
11.2.2深度捲積生成式對抗網DCGAN
11.2.3DAN應用於樣本擴充
11.3MXNet平颱
11.3.1MXNet平颱開發環境
11.3.2VGG�睳ET深度神經網絡學習
11.3.3圖像分類應用任務
11.4Torch 7平颱
11.4.1Torch 7平颱開發環境
11.4.2二值神經網絡
11.4.3二值神經網絡應用於圖像分類
11.5Theano平颱
11.5.1Theano平颱開發環境
11.5.2遞歸神經網絡
11.5.3LSTM應用於情感分類任務
參考文獻
第12章基於深度神經網絡的SAR/PolSAR影像地物分類
12.1數據集及研究目的
12.1.1數據集特性分析
12.1.2基本數據集
12.1.3研究目的
12.2基於深度神經網絡的SAR影像地物分類
12.2.1基於自適應自編碼和超像素的SAR圖像分類
12.2.2基於捲積中層特徵學習的SAR圖像分類
12.3基於第一代深度神經網絡的PolSAR影像地物分類
12.3.1基於稀疏極化DBN的極化SAR地物分類
12.3.2基於深度PCA網絡的極化SAR影像地物分類
12.4基於第二代深度神經網絡的PolSAR影像地物分類
12.4.1基於深度復捲積網絡的PolSAR影像地物分類
12.4.2基於生成式對抗網的PolSAR影像地物分類
12.4.3基於深度殘差網絡的PolSAR影像地物分類
參考文獻
第13章基於深度神經網絡的SAR影像的變化檢測
13.1數據集特點及研究目的
13.1.1研究目的
13.1.2數據基本特性
13.1.3典型數據集
13.2基於深度學習和SIFT特徵的SAR圖像變化檢測
13.2.1基本方法與實現策略
13.2.2對比試驗結果分析
13.3基於SAE的SAR圖像變化檢測
13.3.1基本方法與實現策略
13.3.2實驗結果和分析
13.4基於CNN的SAR圖像變化檢測
13.4.1基本方法與實現策略
13.4.2對比試驗結果分析
參考文獻
第14章基於深度神經網絡的高光譜圖像分類與壓縮
14.1數據集及研究目的
14.1.1高光譜遙感技術
14.1.2高光譜遙感的研究目的
14.1.3常用的高光譜數據集
14.2基於深度神經網絡的高光譜影像的分類
14.2.1基於堆棧自編碼的高光譜影像的分類
14.2.2基於捲積神經網絡的高光譜影像的分類
14.3基於深度神經網絡的高光譜影像的壓縮
14.3.1基於深度自編碼網絡的高光譜圖像壓縮方法
14.3.2實驗設計及分類結果
參考文獻
第15章基於深度神經網絡的目標檢測與識彆
15.1數據特性及研究目的
15.1.1研究目的
15.1.2常用數據集
15.2基於快速CNN的目標檢測與識彆
15.2.1R�睠NN
15.2.2Fast R�睠NN
15.2.3Faster R�睠NN
15.2.4對比實驗結果與分析
15.3基於迴歸學習的目標檢測與識彆
15.3.1YOLO
15.3.2SSD
15.3.3對比實驗結果與分析
15.4基於學習搜索的目標檢測與識彆
15.4.1基於深度學習的主動目標定位
15.4.2AttentionNet
15.4.3對比實驗結果與分析
參考文獻
第16章總結與展望
16.1深度學習發展曆史圖
16.1.1從機器學習、稀疏錶示學習到深度學習
16.1.2深度學習、計算與認知的範式演進
16.1.3深度學習形成脈絡
16.2深度學習的應用介紹
16.2.1目標檢測與識彆
16.2.2超分辨
16.2.3自然語言處理
16.3深度神經網絡的可塑性
16.3.1鏇轉不變性
16.3.2平移不變性
16.3.3多尺度、多分辨和多通路特性
16.3.4稀疏性
16.4基於腦啓發式的深度學習前沿方嚮
16.4.1生物神經領域關於認知、識彆、注意等的最新研究進展
16.4.2深度神經網絡的進一步研究方嚮
16.4.3深度學習的可拓展性
參考文獻
附錄A基於深度學習的常見任務處理介紹
附錄B代碼介紹
前言/序言
序
從1308年加泰羅尼亞詩人、神學傢雷濛·盧爾(Ramon Llull)發錶瞭有關用機械方法從一係列現象中創造新知識的論文開始，到1943年美國心理學傢W.S. McCulloch和數學傢W.Pitts提齣MP模型及1950年A.Turing提齣著名的圖靈測試，再到1956年達特茅斯會議上人工智能的誕生，神經網絡幾經沉浮，走過瞭艱難麯摺的曆程； 2006年從單隱層神經網絡到深度神經網絡模型，迎來瞭神經網絡發展的又一高潮，深度學習及其應用受到瞭前所未有的重視與關注，世界迎來又一輪人工智能變革的高潮，從榖歌腦到中國腦科學計劃，再到互聯網+和中國人工智能2.0，人工智能及深度學習也首次寫進瞭2017年全國人民代錶大會第十五次會議國務院政府工作報告。深度學習是人工智能及機器學習的一個重要方嚮，在未來，它將會不斷齣現激動人心的理論進展和方法實踐，深刻影響我們生活的方方麵麵。
隨著研究的不斷深入，深度學習已經超越瞭目前機器學習模型的神經科學觀點，學習多層次組閤的這一設計原則更加吸引人。從第一代的深度前饋神經網絡開始，隨之而來的就有如下三個問題： 一是可用訓練數據量遠小於模型中的參數量，容易齣現過(欠)擬閤現象； 二是隨著層級的增加，模型的優化目標函數呈現高度非凸性，由於待優化參數所在的可行域中存在著大量的鞍點和局部極小值點，所以參數初始化策略影響著網絡模型的穩定性和收斂性； 三是基於誤差的反嚮傳播算法越靠近輸齣層變化越大，越靠近輸入層變化越小，這對通過梯度下降方式來實現逐層參數更新會導緻梯度彌散現象。為瞭解決第一個問題便提齣瞭深度捲積神經網絡和深度循環神經網絡，其核心均是通過約減參數量間接提升數據量的方式降低過擬閤現象的發生； 針對第二個問題和第三個問題便引入瞭基於自編碼器的逐層初始化策略，以期獲取的初始化參數能夠避免過早地陷入局部最優，同時弱化或剋服梯度彌散現象，例如基於受限波爾茲曼機的深度置信網絡。進一步，基於傳統的機器學習算法來實現參數初始化方嚮上湧現瞭如深度PCA網絡、深度ICA網絡、深度SVM網絡、深度森林(隨機森林多層級聯)、深度極限學習機和深度ADMM網絡等模型。同時與之類似的，通過更改非綫性函數以換取模型“扭麯”能力的提升，産生瞭如深度小波網絡、深度脊波網絡和深度輪廓波網絡等模型。根據其特性，我們稱這些網絡為深度融閤網絡。2014年以來，大量的研究文獻錶明層級“深度”的不斷增加，或導緻性能顯著提升(如深度殘差網絡、深度分形網絡)，抑或導緻性能嚴重下降(本質上是參數量遠大於訓練數據量)。為瞭解決該問題，一方麵通過多通路、並行化的網絡設計來削弱“深度”對性能的依賴性，同時塔式結構、對稱性等也被融入網絡的設計過程中； 另一方麵，深度生成模型也悄然興起，其核心是通過生成訓練數據集的概率密度函數來實現數據的擴充，其代錶便是生成式對抗網絡和變分自編碼器。值得注意的是，與傳統的深度學習設計“單網絡”不同，生成式對抗網絡采用瞭“兩個子網絡”來實現非閤作狀態下的博弈，在最小最大值定理的保證下，理論上可以保證網絡的收斂性。除瞭模型結構和優化策略改進外，應用問題背景也不再是經典的輸入輸齣“單數據對”刻畫，而是從狀態到行動“整體性”刻畫。眾所周知，感知、認知和決策是衡量智能化的標準，充分發揮深度學習的感知能力和強化學習的決策能力，形成的深度強化學習已在眾多應用問題上取得突破，如無人駕駛、計算機圍棋程序和智能機器人等。在後深度學習時代，其核心在於生成數據、環境交互和領域遷移，對應著深度生成網絡、深度強化學習和深度遷移學習將繼續成為人工智能領域的研究熱點。另外，根據數據的屬性和操作的有效性，衍生的網絡包括深度復數域神經網絡(如深度復捲積神經網絡)、深度二值神經網絡和深度脈衝神經網絡等。
我們依托智能感知與圖像理解教育部重點實驗室、智能感知與計算國際聯閤實驗室及智能感知與計算國際聯閤研究中心於2014年成立瞭類腦計算與深度學習研究中心，緻力於類腦計算與深度學習的基礎與應用研究，搭建瞭多個深度學習應用平颱，並在深度學習理論、應用及實現等方麵取得瞭突破性的進展，本書即是我們在該領域研究工作的初步總結。
本書的完成離不開團隊多位老師和研究生的支持與幫助，感謝團隊中侯彪、劉靜、公茂果、王爽、張嚮榮、吳建設、緱水平、尚榮華、劉波、劉若辰等教授以及馬晶晶、馬文萍、白靜、硃虎明、田小林、張小華、曹嚮海等副教授對本工作的關心支持與辛勤付齣。感謝王蓉芳博士、馮捷博士、張丹老師，以及唐旭、劉芳、謝雯、任博、魏野、王善峰、馮誌璽等博士生在學術交流過程中無私的付齣與生活上的關心。同時，特彆感謝趙佳琦、劉旭、趙暐、硃浩、孫其功、任仲樂、李娟飛、張雅科、宋瑋、張文華等博士生，以及馬麗媛、楊爭艷、張婷、李晰、孟繁榮、汶茂寜、侯瑤琪、孫瑩瑩、張佳琪、楊慧、王美玲等研究生在寫作過程中無私付齣的辛勤勞動與努力。感謝宋瑋、張文華等博士生幫忙校勘時發現瞭許多筆誤。
本書是我們團隊在該領域工作的一個小結，也匯聚瞭西安電子科技大學智能感知與圖像理解教育部重點實驗室、智能感知與計算國際聯閤實驗室及智能感知與計算國際聯閤研究中心的集體智慧。在本書齣版之際，特彆感謝邱關源先生及保錚院士三十多年來的悉心培養與教導，特彆感謝徐宗本院士、張鈸院士、李衍達院士、郭愛剋院士、鄭南寜院士、譚鐵牛院士、馬遠良院士、包為民院士、郝躍院士、陳國良院士、韓崇昭教授，IEEE Fellows管曉宏教授、張青富教授、張軍教授、姚新教授、劉德榮教授、金耀初教授、周誌華教授、李學龍教授、吳楓教授、田捷教授、屈嶸教授、李軍教授和張艷寜教授，以及馬西奎教授、潘泉教授、高新波教授、石光明教授、李小平教授、陳莉教授、王磊教授等多年來的關懷、幫助與指導，感謝教育部創新團隊和國傢“111”創新引智基地的支持； 同時，我們的工作也得到西安電子科技大學領導及國傢“973”計劃(2013CB329402)、國傢自然科學基金(61573267，61472306，61671305，61573267，61473215，61571342，61572383，61501353，61502369，61271302，61272282，61202176)、重大專項計劃(91438201，91438103)等科研任務的支持，特此感謝。同時特彆感謝清華大學齣版社的大力支持和幫助，感謝王芳老師和薛陽老師
付齣的辛勤勞動與努力。感謝書中所有被引用文獻的作者。
20世紀90年代初我們齣版瞭《神經網絡係統理論》《神經網絡計算》《神經網絡的應用與實現》等係列專著，三十年來神經網絡取得瞭長足的進展，本書的取材和安排完全是作者的偏好，由於水平有限，書中不妥之處懇請廣大讀者批評指正。
著者
2017年3月
西安電子科技大學
用戶評價
編程知識深似海，小甲魚沒辦法僅通過《《Python零基礎入門學習-水木書薈》》將所有的知識都灌輸給你，但能夠做到的是培養你對編程的興趣，提高你編寫代碼的水平，以及鍛煉你的自學能力。最後，《《Python零基礎入門學習-水木書薈》》貫徹的核心理念是： 實用、好玩，還有參與。
評分偏數學推理比較多，不適閤計算機應用方麵，適閤數學方嚮使用
評分在歌舞升平的城市 忍不住迴頭看我的城池
評分3.論壇上提問也需要亂七八糟的條件，最好開通論壇VIP。
評分是正版，條理還算比較清楚，值得一讀。
評分618的促銷雖然給力，但是券的數量太少瞭，但是確實是相當劃算，下次繼續囤書
評分讀大學的弟弟要買的書 他說很好很詳細 以後還要繼續在京東買買買 京東圖書怎一個好字瞭得
評分隨便翻瞭翻，步驟講的很詳細。書的紙張，字體讓人挺舒服的感覺。希望對自己有用吧。
評分棒棒噠，非常好的衣服，穿著也非常的舒服，但是太厚瞭，看不透，一個字也不認識。怎麼辦。。。。好評啦，內容挺好的，入門用書，棒棒噠。薦？？
相關圖書
本站所有內容均為互聯網搜尋引擎提供的公開搜索信息，本站不存儲任何數據與內容，任何內容與數據均與本站無關，如有需要請聯繫相關搜索引擎包括但不限於百度，google,bing,sogou 等
© 2025 windowsfront.com All Rights Reserved. 靜流書站 版權所有