編輯推薦:

內(nèi)容簡(jiǎn)介:　　考慮到近幾年深度學(xué)習(xí)的快速發(fā)展，而此方面的教材缺乏，《深度學(xué)習(xí)：卷積神經(jīng)網(wǎng)絡(luò)算法原理與應(yīng)用/普通高等教育新工科人才培養(yǎng)規(guī)劃教材（大數(shù)據(jù)專業(yè)）》以卷積神經(jīng)網(wǎng)絡(luò)算法原理為基礎(chǔ)，對(duì)最近幾年提出的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行系統(tǒng)介紹。
　　《深度學(xué)習(xí)：卷積神經(jīng)網(wǎng)絡(luò)算法原理與應(yīng)用/普通高等教育新工科人才培養(yǎng)規(guī)劃教材（大數(shù)據(jù)專業(yè)）》較全面地介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本內(nèi)容，注重卷積神經(jīng)網(wǎng)絡(luò)的基本概念、基本原理和網(wǎng)絡(luò)結(jié)構(gòu)的闡述。全書共分為九章，第1章～第3章介紹了深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)的概念及發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的數(shù)學(xué)基礎(chǔ)知識(shí)，神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)算法原理等知識(shí)點(diǎn)：第4章、第5章對(duì)卷積神經(jīng)網(wǎng)絡(luò)的基本原理及擴(kuò)展機(jī)制進(jìn)行剖析；第6章介紹了自編碼器的一些基本原理及算法：第7章針對(duì)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法進(jìn)行了詳細(xì)的分析說明；第8章、第9章是卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)及卷積神經(jīng)網(wǎng)絡(luò)的壓縮算法應(yīng)用。
　　附錄中增加了部分典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的Matlab及Python程序，結(jié)合實(shí)際、突出應(yīng)用，旨在幫助使用者加深對(duì)基本概念的理解和提高綜合問題分析的能力。
　　全書內(nèi)容豐富，層次分明，主要面向人工智能及相關(guān)專業(yè)的高年級(jí)本科生及研究生，也可做為從事深度學(xué)習(xí)的軟件工程師的參考書目。

作者簡(jiǎn)介:

目錄:前言

第1章 緒論
1．1 深度學(xué)習(xí)
1．1 概述
1．1．2 基本思想
1．1．3 基本分類
1．2 卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用
1．2．1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
1．2．2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
1．3 自編碼器的發(fā)展及其應(yīng)用
1．3．1 自編碼器的發(fā)展
1．3．2 自編碼器的應(yīng)用

第2章 相關(guān)數(shù)學(xué)基礎(chǔ)知識(shí)
2．1 矩陣
2．1．1 基本概念
2．1．2 矩陣運(yùn)算
2．2 范數(shù)
2．2．1 范數(shù)的定義
2．2．2 范數(shù)的分類及性質(zhì)
2．3 卷積運(yùn)算
2．3．1 定義
2．3．2 多維數(shù)組的卷積
2．4 激活函數(shù)
2．4．1 線性激活函數(shù)
2．4．2 非線性激活函數(shù)
2．5 信息熵
2．5．1 定義
2．5．2 條件熵
2．5．3 相對(duì)熵
2．5．4 交叉熵
習(xí)題

第3章 神經(jīng)網(wǎng)絡(luò)
3．1 人工神經(jīng)網(wǎng)絡(luò)
3．1．1 人工神經(jīng)元模型
3．1．2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3．2 BP神經(jīng)網(wǎng)絡(luò)
3．2．1 原理
3．2．2 網(wǎng)絡(luò)結(jié)構(gòu)
3．2．3 BP神經(jīng)算法原理
3．2．4 信號(hào)傳遞過程的實(shí)現(xiàn)
3．2．5 算法分析
習(xí)題

第4章 卷積神經(jīng)網(wǎng)絡(luò)
4．1 原理
4．1．1 動(dòng)機(jī)
4．1．2 卷積神經(jīng)網(wǎng)絡(luò)特點(diǎn)
4．2 LeNet-5
4．2．1 網(wǎng)絡(luò)總體結(jié)構(gòu)
4．2．2 分層結(jié)構(gòu)
4．3 反向傳播
4．3．1 全連接的反向過程
4．3．2 卷積的反向過程
4．3．3 池化的反向過程
4．3．4 輸出層反向傳播
4．3．5 權(quán)值更新
習(xí)題

第5章 卷積神經(jīng)網(wǎng)絡(luò)擴(kuò)展機(jī)制
5．1 注意力機(jī)制
5．1．1 注意機(jī)制的分類
5．1．2 深度學(xué)習(xí)中的注意機(jī)制
5．2 卷積變體
5．2．1 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(wǎng)絡(luò)
習(xí)題

第6章 自編碼器網(wǎng)絡(luò)
6．1 相關(guān)概念
6．1．1 稀疏性
6．1．2 稀疏編碼
6．2 自編碼器概述
6．3 自編碼器原理
6．4 自編碼器的拓展網(wǎng)絡(luò)
6．4．1 稀疏自編碼
6．4．2 棧式自編碼
6．4．3 去噪自編碼
6．4．4 壓縮自編碼
6．5 自編碼器的編程實(shí)現(xiàn)
習(xí)題

第7章 卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化
7．1 正則化與歸一化
7．1．1 概念
7．1．2 參數(shù)范數(shù)懲罰
7．1．3 Dropout
7．1．4 歸一化
7．2 基于梯度的優(yōu)化方法
7．2．1 基本算法
7．2．2 自適應(yīng)學(xué)習(xí)率算法
習(xí)題

第8章 卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)
8．1 概述
8．2 AlexNet網(wǎng)絡(luò)
8．2．1 AlexNet基本框架
8．2．2 AlexNet數(shù)據(jù)處理
8．3 GoogLenet網(wǎng)絡(luò)
8．3．1 背景
8．3．2．Inception Vl
8．3．3 InceptionV2與V3
8．3．4 Inception V4
8．3．5 Xception
8．4 ResNet網(wǎng)絡(luò)結(jié)構(gòu)
8．4．1 ResNet網(wǎng)絡(luò)
8．4．2 ReSNeXt
8．5 ShuffleNet網(wǎng)絡(luò)結(jié)構(gòu)
8．5．1 網(wǎng)絡(luò)簡(jiǎn)介
8．5．2 模型結(jié)構(gòu)
8．5．3 ShuffleNet V2
8．6 DenseNet網(wǎng)絡(luò)結(jié)構(gòu)
8．6．1 Dense block
8．6．2 整體結(jié)構(gòu)
8．7 數(shù)據(jù)集介紹
8．7．1 圖像分類數(shù)據(jù)集
8．7．2 語義分割數(shù)據(jù)集

第9章 卷積神經(jīng)網(wǎng)絡(luò)的壓縮
9．1 核的稀疏化
9．2 剪枝
9．2．1 剪枝的概念
9．2．2 剪枝的類型
9．3 模型量化
9．3．1 量化轉(zhuǎn)換
9．3．2 向量化
9．4 模型蒸餾

參考文獻(xiàn)
附錄
BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)人臉識(shí)別程序
自編碼器程序
AlexNet程序
GoogLeNet程序
ResNeXt程序
DenseNet程序