深度學(xué)習(xí)：主流框架和編程實戰(zhàn)

定　價：￥59.00

作　者：	趙涓涓強(qiáng)彥
出版社：	機(jī)械工業(yè)出版社
叢編項：
標(biāo)　簽：	暫缺

購買這本書可以去

ISBN：	9787111592396	出版時間：	2018-05-01	包裝：
開本：	16開	頁數(shù)：	220	字?jǐn)?shù)：

內(nèi)容簡介

　　本書是利用實例來講解深度學(xué)習(xí)框架以及深度學(xué)習(xí)方法的綜合性著作，介紹了四大深度學(xué)習(xí)框架（TensorFlow、Caffe、Torch和MXNet），還詳細(xì)介紹了調(diào)參、二次接口的編程、遷移學(xué)習(xí)的模型等內(nèi)容。

作者簡介

　　趙涓涓，太原理工大學(xué)信息與計算機(jī)學(xué)院教授，博士生導(dǎo)師，計算機(jī)科學(xué)系主任。中國計算機(jī)學(xué)會青年科技論壇太原主席（2017-2018年度）。主要從事影像大數(shù)據(jù)、機(jī)器學(xué)習(xí)等方面的科研與教學(xué)工作。出版學(xué)術(shù)專著2部，發(fā)表學(xué)術(shù)論文60余篇，ESI高被引論文1篇。強(qiáng)彥，太原理工大學(xué)信息與計算機(jī)學(xué)院副院長，教授，博士生導(dǎo)師。中國計算機(jī)學(xué)會理事，中國計算機(jī)學(xué)會杰出會員。主要從事智能信息處理、模式識別、影像大數(shù)據(jù)、人工智能等方面的科研與教學(xué)工作。主講教育部國家精品視頻公開課“面向?qū)ο蟮木幊趟枷敫庞[”，在愛課程、網(wǎng)易公開課、中國大學(xué)MOOC平臺等眾多教學(xué)平臺上都有呈現(xiàn)，受眾百萬。出版高校教材15部，國家級規(guī)劃教材3部，譯著2部，2017年獲山西省教學(xué)成果獎一等獎、山西省“五一勞動獎?wù)隆?、山西省高校“最美教師”稱號。

圖書目錄

CONTENTS
目　　錄
前言
第1章　緒論 1
1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí) 1
1.1.1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系 2
1.1.2　傳統(tǒng)機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的對比 3
1.2　統(tǒng)計學(xué)與深度學(xué)習(xí) 5
1.2.1　統(tǒng)計學(xué)與深度學(xué)習(xí)的關(guān)系 5
1.2.2　基于統(tǒng)計的深度學(xué)習(xí)技術(shù) 6
1.3　本書涉及的深度學(xué)習(xí)框架 8
1.4　優(yōu)化深度學(xué)習(xí)的方法 8
1.5　深度學(xué)習(xí)展望 9
第2章　TensorFlow深度學(xué)習(xí)框架構(gòu)建方法與圖像分類的實現(xiàn) 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點(diǎn) 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基于Anaconda的安裝 16
2.2.2　測試TensorFlow 19
2.3　基于TensorFlow框架的圖像分類實現(xiàn)（ResNet-34） 20
2.3.1　應(yīng)用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序?qū)崿F(xiàn) 24
2.3.4　詳細(xì)代碼解析 27
2.3.5　實驗結(jié)果及分析 51
第3章　Caffe深度學(xué)習(xí)框架搭建與圖像語義分割的實現(xiàn) 56
3.1　Caffe概述 56
3.1.1　Caffe的特點(diǎn) 56
3.1.2　Caffe框架結(jié)構(gòu) 57
3.2　Caffe框架安裝與調(diào)試 59
3.3　基于Caffe框架的圖像分割實現(xiàn)（FCN） 64
3.3.1　用Caffe構(gòu)建卷積神經(jīng)網(wǎng)絡(luò) 64
3.3.2　FCN-8s網(wǎng)絡(luò)簡介 69
3.3.3　詳細(xì)代碼解讀 85
3.3.4　實驗結(jié)果與結(jié)論 98
第4章　Torch深度學(xué)習(xí)框架搭建與目標(biāo)檢測的實現(xiàn) 100
4.1　Torch概述 100
4.1.1　Torch的特點(diǎn) 100
4.1.2　Lua語言 102
4.2　Torch框架安裝 104
4.3　基于Torch框架的目標(biāo)檢測實現(xiàn)（Faster R-CNN） 113
4.3.1　Torch的類和包的基本用法 113
4.3.2　用Torch構(gòu)建神經(jīng)網(wǎng)絡(luò) 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(jié)果分析 161
第5章　MXNet深度學(xué)習(xí)框架構(gòu)建與自然語言處理的實現(xiàn) 164
5.1　MXNet概述 164
5.1.1　MXNet基礎(chǔ)知識 164
5.1.2　編程接口 166
5.1.3　系統(tǒng)實現(xiàn) 169
5.1.4　MXNet的關(guān)鍵特性 171
5.2　MXNet框架安裝 172
5.3　基于MXNet框架的自然語言處理實現(xiàn)（LSTM） 179
5.3.1　自然語言處理應(yīng)用背景 179
5.3.2　RNN及LSTM網(wǎng)絡(luò) 180
5.3.3　Bucketing及不同長度的序列訓(xùn)練 183
5.3.4　詳細(xì)代碼實現(xiàn) 185
5.3.5　實驗過程及實驗結(jié)果分析 191
第6章　遷移學(xué)習(xí) 195
6.1　遷移學(xué)習(xí)發(fā)展概述 195
6.2　遷移學(xué)習(xí)的類型與模型 196
6.2.1　凍結(jié)源模型與微調(diào)源模型 197
6.2.2　神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)模型與分類器遷移學(xué)習(xí)模型 197
6.3　遷移學(xué)習(xí)方法實例指導(dǎo) 199
6.3.1　遷移學(xué)習(xí)應(yīng)用示例 199
6.3.2　實驗結(jié)論 202
第7章　并行計算與交叉驗證 203
7.1　并行計算 203
7.1.1　數(shù)據(jù)并行框架 204
7.1.2　模型并行框架 205
7.1.3　數(shù)據(jù)并行與模型并行的混合架構(gòu) 205
7.2　交叉驗證 207
7.2.1　留出法 207
7.2.2　K折交叉驗證 208
7.2.3　留一交叉驗證 209
參考文獻(xiàn) 211