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 折 $505
- 語言: 簡體中文
- 頁數: 246
- ISBN: 7302681848
- ISBN-13: 9787302681847
-
相關分類:
Matlab、DeepLearning
下單後立即進貨 (約4週~6週)
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
3.4.3VGG16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CIFAR10為例
4.7.4如何劃分訓練集與驗證集
編程體驗: 基於CIFAR10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RCNN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
5.4.3RCNN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RCNN實現
5.4.9基於Image Labeler的RCNN目標檢測器構建
5.5基於Video Labeler與RCNN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