当前位置:主页 > 计算机电子书 > 人工智能 > 深度学习 pdf电子书
深度学习:原理与应用实践

深度学习:原理与应用实践 PDF 高清版

  • 更新:2020-06-09
  • 大小:40.9 MB
  • 类别:深度学习
  • 作者:张重生
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

深度学习:原理与应用实践》是由电子工业出版社出版的一本关于深度学习方面的书籍,作者是张重生,主要介绍了关于深度学习、深度学习原理、应用实践方面的知识内容,目前在深度学习类书籍综合评分为:9.7分。

书籍介绍

《深度学习:原理与应用实践》全面、系统地介绍深度学习相关的技术,包括人工神经网络,卷积神经网络,深度学习平台及源代码分析,深度学习入门与进阶,深度学习高级实践,所有章节均附有源程序,所有实验读者均可重现,具有高度的可操作性和实用性。通过学习本书,研究人员、深度学习爱好者,能够在3 个月内,系统掌握深度学习相关的理论和技术。

目录

  • 深度学习基础篇
  • 第1 章 绪论 2
  • 1.1 引言 2
  • 1.1.1 Google 的深度学习成果 2
  • 1.1.2 Microsoft 的深度学习成果 3
  • 1.1.3 国内公司的深度学习成果 3
  • 1.2 深度学习技术的发展历程 4
  • 1.3 深度学习的应用领域 6
  • 1.3.1 图像识别领域 6
  • 1.3.2 语音识别领域 6
  • 1.3.3 自然语言理解领域 7
  • 1.4 如何开展深度学习的研究和应用开发 7
  • 本章参考文献 11
  • 第2 章 国内外深度学习技术研发现状及其产业化趋势 13
  • 2.1 Google 在深度学习领域的研发现状 13
  • 2.1.1 深度学习在Google 的应用 13
  • 2.1.2 Google 的TensorFlow 深度学习平台 14
  • 2.1.3 Google 的深度学习芯片TPU 15
  • 2.2 Facebook 在深度学习领域的研发现状 15
  • 2.2.1 Torchnet 15
  • 2.2.2 DeepText 16
  • 2.3 百度在深度学习领域的研发现状 17
  • 2.3.1 光学字符识别 17
  • 2.3.2 商品图像搜索 17
  • 2.3.3 在线广告 18
  • 2.3.4 以图搜图 18
  • 2.3.5 语音识别 18
  • 2.3.6 百度开源深度学习平台MXNet 及其改进的深度语音识别系统Warp-CTC 19
  • 2.4 阿里巴巴在深度学习领域的研发现状 19
  • 2.4.1 拍立淘 19
  • 2.4.2 阿里小蜜――智能客服Messenger 20
  • 2.5 京东在深度学习领域的研发现状 20
  • 2.6 腾讯在深度学习领域的研发现状 21
  • 2.7 科创型公司(基于深度学习的人脸识别系统) 22
  • 2.8 深度学习的硬件支撑――NVIDIA GPU 23
  • 本章参考文献 24
  • 深度学习理论篇
  • 第3 章 神经网络 30
  • 3.1 神经元的概念 30
  • 3.2 神经网络 31
  • 3.2.1 后向传播算法 32
  • 3.2.2 后向传播算法推导 33
  • 3.3 神经网络算法示例 36
  • 本章参考文献 38
  • 第4 章 卷积神经网络 39
  • 4.1 卷积神经网络特性 39
  • 4.1.1 局部连接 40
  • 4.1.2 权值共享 41
  • 4.1.3 空间相关下采样 42
  • 4.2 卷积神经网络操作 42
  • 4.2.1 卷积操作 42
  • 4.2.2 下采样操作 44
  • 4.3 卷积神经网络示例:LeNet-5 45
  • 本章参考文献 48
  • 深度学习工具篇
  • 第5 章 深度学习工具Caffe 50
  • 5.1 Caffe 的安装 50
  • 5.1.1 安装依赖包 51
  • 5.1.2 CUDA 安装 51
  • 5.1.3 MATLAB 和Python 安装 54
  • 5.1.4 OpenCV 安装(可选) 59
  • 5.1.5 Intel MKL 或者BLAS 安装 59
  • 5.1.6 Caffe 编译和测试 59
  • 5.1.7 Caffe 安装问题分析 62
  • 5.2 Caffe 框架与源代码解析 63
  • 5.2.1 数据层解析 63
  • 5.2.2 网络层解析 74
  • 5.2.3 网络结构解析 92
  • 5.2.4 网络求解解析 104
  • 本章参考文献 109
  • 第6 章 深度学习工具Pylearn2 110
  • 6.1 Pylearn2 的安装 110
  • 6.1.1 相关依赖安装 110
  • 6.1.2 安装Pylearn2 112
  • 6.2 Pylearn2 的使用 112
  • 本章参考文献 116
  • 深度学习实践篇(入门与进阶)
  • 第7 章 基于深度学习的手写数字识别 118
  • 7.1 数据介绍 118
  • 7.1.1 MNIST 数据集 118
  • 7.1.2 提取MNIST 数据集图片 120
  • 7.2 手写字体识别流程 121
  • 7.2.1 模型介绍 121
  • 7.2.2 操作流程 126
  • 7.3 实验结果分析 127
  • 本章参考文献 128
  • 第8 章 基于深度学习的图像识别 129
  • 8.1 数据来源 129
  • 8.1.1 Cifar10 数据集介绍 129
  • 8.1.2 Cifar10 数据集格式 129
  • 8.2 Cifar10 识别流程 130
  • 8.2.1 模型介绍 130
  • 8.2.2 操作流程 136
  • 8.3 实验结果分析 139
  • 本章参考文献 140
  • 第9 章 基于深度学习的物体图像识别 141
  • 9.1 数据来源 141
  • 9.1.1 Caltech101 数据集 141
  • 9.1.2 Caltech101 数据集处理 142
  • 9.2 物体图像识别流程 143
  • 9.2.1 模型介绍 143
  • 9.2.2 操作流程 144
  • 9.3 实验结果分析 150
  • 本章参考文献 151
  • 第10 章 基于深度学习的人脸识别 152
  • 10.1 数据来源 152
  • 10.1.1 AT&T Facedatabase 数据库 152
  • 10.1.2 数据库处理 152
  • 10.2 人脸识别流程 154
  • 10.2.1 模型介绍 154
  • 10.2.2 操作流程 155
  • 10.3 实验结果分析 159
  • 本章参考文献 160
  • 深度学习实践篇(高级应用)
  • 第11 章 基于深度学习的人脸识别――DeepID 算法 162
  • 11.1 问题定义与数据来源 162
  • 11.2 算法原理 163
  • 11.2.1 数据预处理 163
  • 11.2.2 模型训练策略 164
  • 11.2.3 算法验证和结果评估 164
  • 11.3 人脸识别步骤 165
  • 11.3.1 数据预处理 165
  • 11.3.2 深度网络结构模型 168
  • 11.3.3 提取深度特征与人脸验证 171
  • 11.4 实验结果分析 174
  • 11.4.1 实验数据 174
  • 11.4.2 实验结果分析 175
  • 本章参考文献 176
  • 第12 章 基于深度学习的表情识别 177
  • 12.1 表情数据 177
  • 12.1.1 Cohn-Kanade(CK+)数据库 177
  • 12.1.2 JAFFE 数据库 178
  • 12.2 算法原理 179
  • 12.3 表情识别步骤 180
  • 12.3.1 数据预处理 180
  • 12.3.2 深度神经网络结构模型 181
  • 12.3.3 提取深度特征及分类 182
  • 12.4 实验结果分析 184
  • 12.4.1 实现细节 184
  • 12.4.2 实验结果对比 185
  • 本章参考文献 188
  • 第13 章 基于深度学习的年龄估计 190
  • 13.1 问题定义 190
  • 13.2 年龄估计算法 190
  • 13.2.1 数据预处理 190
  • 13.2.2 提取深度特征 192
  • 13.2.3 提取LBP 特征 196
  • 13.2.4 训练回归模型 196
  • 13.3 实验结果分析 199
  • 本章参考文献 199
  • 第14 章 基于深度学习的人脸关键点检测 200
  • 14.1 问题定义和数据来源 200
  • 14.2 基于深度学习的人脸关键点检测的步骤 201
  • 14.2.1 数据预处理 201
  • 14.2.2 训练深度学习网络模型 206
  • 14.2.3 预测和处理关键点坐标 207
  • 本章参考文献 212
  • 深度学习总结与展望篇
  • 第15 章 总结与展望 214
  • 15.1 深度学习领域当前的主流技术及其应用领域 214
  • 15.1.1 图像识别 214
  • 15.1.2 语音识别与自然语言理解 215
  • 15.2 深度学习的缺陷 215
  • 15.2.1 深度学习在硬件方面的门槛较高 215
  • 15.2.2 深度学习在软件安装与配置方面的门槛较高 216
  • 15.2.3 深度学习最重要的问题在于需要海量的有标注的数据作为支撑 216
  • 15.2.4 深度学习的最后阶段竟然变成枯燥、机械、及其耗时的调参工作 217
  • 15.2.5 深度学习不适用于数据量较小的数据 218
  • 15.2.6 深度学习目前主要用于图像、声音的识别和自然语言的理解 218
  • 15.2.7 研究人员从事深度学习研究的困境 219
  • 15.3 展望 220
  • 本章参考文献 220

资源获取

资源地址1:https://pan.baidu.com/s/1nMCG8obFeS_xnOUwqcHTMw(密码:294q)

相关资源

网友留言