作者：钟跃崎编著
页数：295页
出版社：东华大学出版社
出版日期：2020
ISBN：9787566917867
电子书格式：pdf/epub/txt
内容简介
本书从人工智能技术的基本原理出发，涵盖人工神经网络的基本原理、网络优化过程中的超参数设置，以及卷积神经网络的基本概念与常见架构。在此基础上，详细介绍深度学习技术在目标检测、图像分割、少样本学习、风格迁移及生成对抗等常见任务中的应用原理，并结合相关研究领域的新进展，介绍深度学习在三维模型及服装推荐系统中的应用。
本书针对零编程基础的读者讲解人工智能技术的基础知识，及其在纺织服装领域若干问题上的使用方法和流程。可供纺织院校高年级本科生以及低年级研究生作为教材，也可供相关生产企业和研究单位的专业技术人员阅读参考。
作者简介
钟跃崎
美国德州大学奥斯汀分校博士后，美国加州大学戴维斯分校高级访问学者，东华大学教授、博士生导师，上海市浦江人才计划、内蒙古草原英才计划受资助人；长期致力于数字化纺织服装领域的理论和技术基础研究，先后主持包括国家自然科学基金面上项目在内的省部级科研项目，发表论文110余篇，其中虚拟试衣技术及其在大型电子商务环境中的应用获得上海市技术发明奖（二等）及中国纺织工业联合会科技进步奖（三等）。
目录
绪论
第一章 神经网络基础(一)
第一节 什么是神经网络
第二节 有监督学习
第二章 神经网络基础(二)
第一节 二元分类问题与符号表达
第二节 损失函数与代价函数
第三节 逻辑回归中的梯度下降法
3.1 梯度下降
3.2 向前传播与向后传播的计算
第四节 单次迭代中梯度下降算法的编程实现
第三章 全连接神经网络
第一节 什么是全连接神经网络
第二节 神经网络常用的激活函数
2.1 各种非线性激活函数
2.2 为什么需要非线性激活函数
第三节 激活函数的导数
3.1 sigmoid函数的导数
3.2 tanh函数的导数
3.3 ReLU函数和Leaky ReLU函数的导数
第四节 全连接神经网络向后传播时的梯度计算
第五节 多层神经网络
5.1 多层神经网络的向前传播计算
5.2 多层神经网络向前／向后传播的编程模块
第六节 神经网络的随机初始化
第七节 二元分类问题案例分析
第四章 神经网络调优(一)
第一节 训练集、验证集及测试集
1.1 定义
1.2 数据集的划分原则
第二节 偏差与方差
第三节 神经网络的正则化
3.1 L2正则化
3.2 L2正则化预防过拟合
3.3 Dropout正则化
3.4 Dropout正则化的作用原理
3.5 其他正则化方法
第四节 输人数据的归一化处理
第五节 梯度消失／梯度爆炸
第六节 深度神经网络的权重初始化及案例分析
第五章 神经网络调优(二)
第一节 小批量的概念
第二节 小批量的作用原理
第三节 指数加权平均
3.1 指数加权平均的基本概念
3.2 指数加权平均的含义
3.3 指数加权平均的偏差修正
第四节 几种常见的梯度下降法
4.1 动量梯度下降法
4.2 RMSprop
4.3 Adam优化算法
第五节 学习率衰减
第六节 局部最优问题
第六章 神经网络调优(三)
第一节 超参数的选择
……
第七章 卷积神经网络基础
第八章 卷积神经网络的常见架构与分析
第九章 目标检测
第十章 常见深度神经网络架构
第十一章 图像分割
第十二章 少样本学习与图像特征匹配
第十三章 风格迁移与生成对抗网络
第十四章 深度学习在三维模型上的发展与应用
第十五章 深度学习在服装推荐系统中的应用
第十六章 深度学习常用评价指标
第一章 神经网络基础(一)
第一节 什么是神经网络
第二节 有监督学习
第二章 神经网络基础(二)
第一节 二元分类问题与符号表达
第二节 损失函数与代价函数
第三节 逻辑回归中的梯度下降法
3.1 梯度下降
3.2 向前传播与向后传播的计算
第四节 单次迭代中梯度下降算法的编程实现
第三章 全连接神经网络
第一节 什么是全连接神经网络
第二节 神经网络常用的激活函数
2.1 各种非线性激活函数
2.2 为什么需要非线性激活函数
第三节 激活函数的导数
3.1 sigmoid函数的导数
3.2 tanh函数的导数
3.3 ReLU函数和Leaky ReLU函数的导数
第四节 全连接神经网络向后传播时的梯度计算
第五节 多层神经网络
5.1 多层神经网络的向前传播计算
5.2 多层神经网络向前／向后传播的编程模块
第六节 神经网络的随机初始化
第七节 二元分类问题案例分析
第四章 神经网络调优(一)
第一节 训练集、验证集及测试集
1.1 定义
1.2 数据集的划分原则
第二节 偏差与方差
第三节 神经网络的正则化
3.1 L2正则化
3.2 L2正则化预防过拟合
3.3 Dropout正则化
3.4 Dropout正则化的作用原理
3.5 其他正则化方法
第四节 输人数据的归一化处理
第五节 梯度消失／梯度爆炸
第六节 深度神经网络的权重初始化及案例分析
第五章 神经网络调优(二)
第一节 小批量的概念
第二节 小批量的作用原理
第三节 指数加权平均
3.1 指数加权平均的基本概念
3.2 指数加权平均的含义
3.3 指数加权平均的偏差修正
第四节 几种常见的梯度下降法
4.1 动量梯度下降法
4.2 RMSprop
4.3 Adam优化算法
第五节 学习率衰减
第六节 局部最优问题
第六章 神经网络调优(三)
第一节 超参数的选择
……
第七章 卷积神经网络基础
第八章 卷积神经网络的常见架构与分析
第九章 目标检测
第十章 常见深度神经网络架构
第十一章 图像分割
第十二章 少样本学习与图像特征匹配
第十三章 风格迁移与生成对抗网络
第十四章 深度学习在三维模型上的发展与应用
第十五章 深度学习在服装推荐系统中的应用
第十六章 深度学习常用评价指标
