深度學習理論及實戰(MATLAB版·第2版)

趙小川

  • 出版商: 清華大學
  • 出版日期: 2025-02-01
  • 定價: $594
  • 售價: 8.5$505
  • 語言: 簡體中文
  • 頁數: 246
  • ISBN: 7302681848
  • ISBN-13: 9787302681847
  • 相關分類: MatlabDeepLearning
  • 下單後立即進貨 (約4週~6週)

  • 深度學習理論及實戰(MATLAB版·第2版)-preview-1
  • 深度學習理論及實戰(MATLAB版·第2版)-preview-2
  • 深度學習理論及實戰(MATLAB版·第2版)-preview-3
深度學習理論及實戰(MATLAB版·第2版)-preview-1

商品描述

"《深度學習理論及實戰(MATLAB版·第2版)》主要介紹深度學習理論及實戰,共5章,內容包括機器學習、人工神經網絡、捲積神經網絡、MATLAB深度學習工具箱和應用案例。在介紹基礎理論方面,本書深入淺出、語言生動、通俗易懂;在介紹應用實例時,本書貼近實際,步驟翔實,舉一反三。本書對數十個例程進行了深入的講解,並對代碼進行了詳細的註解。 《深度學習理論及實戰(MATLAB版·第2版)》可作為人工智能、電子信息、電腦科學相關專業的本科生,研究生的教材,也可作為本科畢業設計、研究生學術論文的參考資料,還可作為相關工程技術人員的參考資料。"

作者簡介

趙小川,博士,高級工程師。科技部、北京市科委項目評審專家組成員。《Robotica》、《IEEE Transactions On Biomedical Engineering》等期刊的審稿人。主編了《MATLAB數字圖像處理——程序實現與模塊化模擬》、《MATLAB數字圖像處理——能力提高與應用案例》、《MATLAB數字圖像處理——從模擬C/C++代碼自動生成》等圖書。

目錄大綱

 

目錄

 

 

 

 

 

 

 

第1章從“機器學習”講起

 

1.1走近“機器學習”

 

1.1.1什麽是“機器學習”

 

1.1.2機器學習的主要任務

 

1.1.3機器學習的分類

 

1.1.4什麽是“深度學習”

 

1.1.5機器學習的應用舉例

 

經驗分享: 對“智能”的理解

 

擴展閱讀: “人工智能”的發展

 

擴展閱讀: “人工智能”的最新發展——生成式AI大模型

 

1.2解讀“機器學習的過程”

 

1.2.1機器學習的過程

 

1.2.2機器學習中的數據集

 

1.2.3過擬合與欠擬合

 

經驗分享: “機器學習”與“雕刻時光”

 

經驗分享: 如何解決機器學習中的“過猶不及”

 

1.3典型的機器學習算法——SVM

 

1.3.1“支持向量機”名字的由來

 

1.3.2SVM分類器的形式

 

1.3.3如何找到最佳分類線

 

1.3.4基於SVM的多分類問題

 

1.4思考與練習

 

第2章解析“人工神經網絡”

 

2.1神經元——人工神經網絡的基礎

 

2.1.1生物神經元

 

2.1.2人工神經元

 

2.1.3激活函數

 

2.2神經網絡的結構及工作原理

 

2.2.1神經網絡的結構組成

 

2.2.2神經網絡的工作原理

 

2.2.3一些常見的概念

 

擴展閱讀: 人工神經網絡發展簡史

 

經驗分享: 從仿生學的角度看神經網絡的局限性

 

2.3從數學角度來認識神經網絡

 

2.3.1本書中採用的符號及含義

 

2.3.2神經元的激活

 

2.3.3神經網絡的學習

 

2.3.4尋找損失函數最小值——梯度下降法

 

2.3.5誤差反向傳播

 

2.3.6基於誤差反向傳播的參數更新流程

 

經驗分享: 形象地理解梯度下降法

 

擴展閱讀: 隨機梯度下降優化算法

 

經驗分享: 形象地理解反向傳播算法

 

2.4如何基於神經網絡進行分類

 

2.4.1基於神經網絡實現二分類

 

2.4.2基於神經網絡實現多分類

 

擴展閱讀: 交叉熵

 

2.5思考與練習

 

第3章探索“捲積神經網絡”

 

3.1深入淺出話“捲積”

 

3.1.1捲積的運算過程

 

3.1.2捲積核對輸出結果的影響

 

3.1.3捲積運算在圖像特徵提取中的應用

 

擴展閱讀: 數字圖像處理的基礎知識

 

編程體驗1: 讀入一幅數字圖像並顯示

 

編程體驗2: 基於MATLAB實現二維圖像的滑動捲積

 

3.2解析“捲積神經網絡”

 

3.2.1從ImageNet 挑戰賽說起

 

3.2.2捲積神經網絡的結構

 

3.2.3捲積層的工作原理

 

3.2.4非線性激活函數的工作原理

 

3.2.5池化層的工作原理

 

3.2.6捲積神經網絡與全連接神經網絡的區別

 

3.2.7從仿生學角度看捲積神經網絡

 

擴展閱讀: 創建ImageNet挑戰賽初衷

 

3.3從數學的角度看捲積神經網絡

 

3.3.1本書中採用的符號及含義

 

3.3.2從數學角度看捲積神經網絡的工作過程

 

3.3.3如何求代價函數

 

3.3.4採用誤差反向傳播法確定捲積神經網絡的參數

 

3.4認識經典的“捲積神經網絡”

 

3.4.1解析LeNet5捲積神經網絡

 

3.4.2具有里程碑意義的AlexNet

 

3.4.3VGG16捲積神經網絡的結構和參數

 

3.4.4捲積神經網絡為何會迅猛發展

 

3.5思考與練習

 

第4章基於MATLAB深度學習工具箱的實現與調試

 

4.1構造一個用於分類的捲積神經網絡

 

4.1.1實例需求

 

4.1.2開發環境

 

4.1.3開發步驟

 

4.1.4常用的構造捲積神經網絡的函數

 

4.1.5構造捲積神經網絡

 

4.1.6程序實現

 

擴展閱讀: 批量歸一化層的作用

 

歸納總結: 深度神經網絡訓練過程中常見超參的含義

 

編程體驗: 改變捲積神經網絡的結構

 

4.2訓練一個用於預測的捲積神經網絡

 

4.2.1實例需求

 

4.2.2開發步驟

 

4.2.3構建捲積神經網絡

 

4.2.4訓練捲積神經網絡

 

4.2.5程序實現

 

擴展閱讀1: 設置學習率的經驗與技巧

 

擴展閱讀2: 隨機失活方法(dropout)的作用

 

擴展閱讀3: 小批量方法(minibatch)的作用

 

編程體驗: 改變網絡訓練配置參數

 

4.3採用遷移學習進行物體識別

 

4.3.1站在巨人的肩膀上——遷移學習

 

4.3.2實例需求

 

4.3.3開發步驟

 

4.3.4可直接加載的網絡及方法

 

4.3.5如何對網絡結構和樣本進行微調

 

4.3.6函數解析

 

4.3.7程序實現及運行效果

 

擴展閱讀: 多角度看“遷移學習”

 

經驗分享: “遷移學習”中的微調技術

 

4.4採用深度網絡設計器實現捲積網絡設計

 

4.4.1什麽是深度網絡設計器

 

4.4.2如何打開深度網絡設計器

 

4.4.3需求實例

 

4.4.4在深度網絡設計器中構建捲積神經網絡

 

4.4.5對網絡進行訓練與驗證

 

4.4.6深度網絡設計器的檢驗功能

 

4.5採用深度網絡設計器實現遷移學習

 

4.5.1基於深度網絡設計器的網絡結構調整

 

4.5.2對網絡進行訓練

 

4.6如何顯示、分析捲積神經網絡

 

4.6.1如何查看訓練好的網絡的結構和信息

 

4.6.2如何畫出深度網絡的結構圖

 

4.6.3如何用analyzeNetwork函數查看與分析網絡

 

4.7如何加載深度學習工具箱可用的數據集

 

4.7.1如何加載MATLAB自帶的數據集

 

4.7.2如何加載自己製作的數據集

 

4.7.3如何加載網絡下載的數據集——以CIFAR10為例

 

4.7.4如何劃分訓練集與驗證集

 

編程體驗: 基於CIFAR10數據集訓練捲積神經網絡

 

4.8如何構造一個具有捷徑連接的捲積神經網絡

 

4.8.1本節用到的函數

 

4.8.2實例需求

 

4.8.3創建含有捷徑連接的捲積神經網絡的實現步驟

 

4.8.4程序實現

 

4.8.5對捷徑連接網絡進行結構檢查

 

編程體驗: 採用例程4.8.2所構建的捲積神經網絡進行圖像分類

 

4.9思考與練習

 

第5章應用案例深度解析

 

5.1基於捲積神經網絡的圖像分類

 

5.1.1什麽是圖像分類

 

5.1.2評價分類的指標

 

5.1.3基於深度學習和數據驅動的圖像分類

 

5.1.4傳統的圖像分類與基於深度學習的圖像分類的區別

 

5.1.5基於AlexNet的圖像分類

 

5.1.6基於GoogLeNet的圖像分類

 

5.1.7基於捲積神經網絡的圖像分類抗乾擾性分析

 

擴展閱讀: 電腦視覺的發展之路

 

編程體驗: 體驗GoogLeNet識別圖像的抗噪聲能力

 

擴展閱讀: AI“隱身衣”

 

5.2基於LeNet捲積神經網絡的交通燈識別

 

5.2.1實例需求

 

5.2.2捲積神經網絡設計

 

5.2.3加載交通燈數據集

 

5.2.4程序實現

 

5.3融合捲積神經網絡與支持向量機的圖像分類

 

5.3.1整體思路

 

5.3.2本節所用到的函數

 

5.3.3實現步驟與程序

 

編程體驗: 基於AlexNet和SVM的圖像分類

 

5.4基於RCNN的交通標志檢測

 

5.4.1目標分類、檢測與分割

 

5.4.2目標檢測及其難點問題

 

5.4.3RCNN目標檢測算法的原理及實現過程

 

5.4.4實例需求

 

5.4.5實現步驟

 

5.4.6本節所用到的函數

 

5.4.7程序實現

 

5.4.8基於AlexNet遷移學習的RCNN實現

 

5.4.9基於Image Labeler的RCNN目標檢測器構建

 

5.5基於Video Labeler與RCNN的車輛檢測

 

5.5.1實例需求

 

5.5.2實現步驟

 

5.6基於YOLO v4的車輛目標檢測

 

5.6.1YOLO目標檢測原理概述

 

5.6.2實例需求

 

5.6.3實現步驟

 

5.6.4本節所用到的函數

 

5.6.5程序實現

 

5.7思考與練習

 

參考文獻