作者：程源
页数：288
出版社：电子工业出版社
出版日期：2024
ISBN：9787121470875
电子书格式：pdf/epub/txt
内容简介
本教材从编程的角度“解剖”了深度学习的底层技术，通过介绍使用Python库实现经典的深度学习框架的过程，逐步向读者呈现深度学习的本质；用典型示例深入剖析深度学习在计算机视觉和自然语言处理方面的应用，同时介绍这些示例的TensorFlow实现，并在配套代码中给出相应的飞桨实现，以便读者深刻理解深度学习框架的技术细节；通过目标检测、中文文本分类、超越文本分类和视频动作识别等，为读者呈现最前沿的深度学习技术。本教材可作为高职院校人工智能相关专业学生的教材，也可作为相关培训机构的培训资料。对于广大的Python深度学习爱好者来说，本教材也是很好的参考用书。
作者简介
程源，副教授，博士学历，毕业于清华大学，广东机电职业技术学院人工智能专业负责人。曾获得多个奖项，主持多项国家级、省级、校级科研课题。
目录
第一部分 入门篇
1 深度学习概述 2
1.1 让机器学会学习 2
1.1.1 什么是人工智能 2
1.1.2 从数据中学习 3
1.1.3 数据表示 3
1.2 深度学习之“深度” 4
1.2.1 深度神经网络 5
1.2.2 神经网络的学习 7
1.3 深度学习的数据表示 9
1.3.1 标量、向量、矩阵与张量 9
1.3.2 现实世界中的张量数据 11
1.4 为什么要用深度学习 14
1.4.1 深度学习有何不同 14
1.4.2 深度学习的大众化 15
本章小结 15
2 神经网络入门 16
2.1 神经元 16
2.1.1 人工神经元 16
2.1.2 激活函数 18
2.2 多层神经网络 19
2.2.1 分类问题与独热编码 19
2.2.2 MNIST数据集 20
2.2.3 神经网络 22
2.2.4 神经网络的输出 23
2.2.5 softmax函数 24
2.3 神经网络的前向传播 26
2.3.1 各层间数据传递 27
2.3.2 多个样本情况 28
2.3.3 识别精度 29
2.4 监督学习与损失函数 30
2.4.1 监督学习 31
2.4.2 损失函数 32
2.5 梯度下降法 36
2.5.1 梯度下降 36
2.5.2 梯度的实现 38
2.5.3 梯度下降法的实现 39
2.6 学习算法的实现 41
2.6.1 两层神经网络模型 42
2.6.2 神经网络的训练 44
2.6.3 基于测试数据的评价 45
2.7 练习题 47
本章小结 47
3 神经网络的反向传播 48
3.1 反向传播的基础知识 48
3.2 反向传播的实现 49
3.2.1 ReLU层 49
3.2.2 sigmoid层 51
3.2.3 Linear层 51
3.2.4 softmax-with-Loss层 53
3.3 学习算法的实现 55
3.3.1 构建多层神经网络模型 55
3.3.2 随机梯度下降法 60
3.4 训练与预测 61
3.4.1 构建训练器 62
3.4.2 训练与推理 66
3.5 练习题 71
本章小结 72
4 改善神经网络 73
4.1 优化算法 73
4.1.1 动量法 75
4.1.2 AdaGrad 76
4.1.3 RMSpro
1 深度学习概述 2
1.1 让机器学会学习 2
1.1.1 什么是人工智能 2
1.1.2 从数据中学习 3
1.1.3 数据表示 3
1.2 深度学习之“深度” 4
1.2.1 深度神经网络 5
1.2.2 神经网络的学习 7
1.3 深度学习的数据表示 9
1.3.1 标量、向量、矩阵与张量 9
1.3.2 现实世界中的张量数据 11
1.4 为什么要用深度学习 14
1.4.1 深度学习有何不同 14
1.4.2 深度学习的大众化 15
本章小结 15
2 神经网络入门 16
2.1 神经元 16
2.1.1 人工神经元 16
2.1.2 激活函数 18
2.2 多层神经网络 19
2.2.1 分类问题与独热编码 19
2.2.2 MNIST数据集 20
2.2.3 神经网络 22
2.2.4 神经网络的输出 23
2.2.5 softmax函数 24
2.3 神经网络的前向传播 26
2.3.1 各层间数据传递 27
2.3.2 多个样本情况 28
2.3.3 识别精度 29
2.4 监督学习与损失函数 30
2.4.1 监督学习 31
2.4.2 损失函数 32
2.5 梯度下降法 36
2.5.1 梯度下降 36
2.5.2 梯度的实现 38
2.5.3 梯度下降法的实现 39
2.6 学习算法的实现 41
2.6.1 两层神经网络模型 42
2.6.2 神经网络的训练 44
2.6.3 基于测试数据的评价 45
2.7 练习题 47
本章小结 47
3 神经网络的反向传播 48
3.1 反向传播的基础知识 48
3.2 反向传播的实现 49
3.2.1 ReLU层 49
3.2.2 sigmoid层 51
3.2.3 Linear层 51
3.2.4 softmax-with-Loss层 53
3.3 学习算法的实现 55
3.3.1 构建多层神经网络模型 55
3.3.2 随机梯度下降法 60
3.4 训练与预测 61
3.4.1 构建训练器 62
3.4.2 训练与推理 66
3.5 练习题 71
本章小结 72
4 改善神经网络 73
4.1 优化算法 73
4.1.1 动量法 75
4.1.2 AdaGrad 76
4.1.3 RMSpro
