标签分类 热门分类
当前位置:首页 > 人工智能电子书 > 深度学习电子书网盘下载
深度学习原理与实践 深度学习原理与实践
ramonliu

ramonliu 提供上传

资源
44
粉丝
18
喜欢
291
评论
8

    深度学习原理与实践 PDF 完整影印版

    深度学习电子书
    • 发布时间:

    给大家带来的一篇关于深度学习相关的电子书资源,介绍了关于深度学习、原理、实践方面的内容,本书是由人民邮电出版社出版,格式为PDF,资源大小172.9 MB,陈仲铭 彭凌西编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.2,更多相关的学习资源可以参阅 人工智能电子书、等栏目。

  • 深度学习原理与实践 PDF 下载
  • 下载地址:https://pan.baidu.com/s/1GpiDhzThzyqOVhkLY7Lzo
  • 分享码:0w01
  • 深度学习原理与实践 PDF

    《深度学习原理与实践》详细介绍了目前深度学习相关的常用网络模型(ANN、CNN、RNN),以及不同网络模型的算法原理和核心思想。本书利用大量的实例代码对网络模型进行了分析,这些案例能够加深读者对网络模型的认识。此外,本书还提供完整的进阶内容和对应案例,让读者全面深入地了解深度学习的知识和技巧,达到学以致用的目的。
     

    本书适用于大数据平台系统工程师、算法工程师、数据科学家,可作为对人工智能和深度学习感兴趣的计算机相关从业人员的学习用书,也可作为计算机等相关专业的师生用书和培训学校的教材。

    目录

    • 第 1章 初探深度学习  1
    • 1.1 什么是深度学习 2
    • 1.1.1 机器学习的一般方法 4
    • 1.1.2 选择深度学习的原因 5
    • 1.1.3 深度学习前的思考 6
    • 1.2 深度学习的应用 7
    • 1.3 深度学习的硬件加速器 10
    • 1.3.1 GPU比CPU更适合深度学习 10
    • 1.3.2 GPU硬件选择 13
    • 1.4 深度学习的软件框架 15
    • 1.5 本章小结 19
    • 引用/参考 19
    • 第 2章 人工神经网络 21
    • 2.1 人工神经网络概述 22
    • 2.1.1 历史背景 22
    • 2.1.2 基本单位—神经元 24
    • 2.1.3 线性模型与激活函数 25
    • 2.1.4 多层神经网络 26
    • 2.2 训练与预测 28
    • 2.2.1 训练 28
    • 2.2.2 预测 29
    • 2.3 核心算法 29
    • 2.3.1 梯度下降算法 29
    • 2.3.2 向前传播算法 31
    • 2.3.3 反向传播算法 33
    • 2.4 示例:医疗数据诊断 42
    • 2.4.1 从医疗数据到数学模型 43
    • 2.4.2 准备数据 44
    • 2.4.3 线性分类 45
    • 2.4.4 建立人工神经网络模型 46
    • 2.4.5 隐层节点数对人工神经网络模型的影响 53
    • 2.5 本章小结 55
    • 引用/参考 56
    • 第3章 深度学习基础及技巧 58
    • 3.1 激活函数 59
    • 3.1.1 线性函数 60
    • 3.1.2 Sigmoid函数 61
    • 3.1.3 双曲正切函数 62
    • 3.1.4 ReLU函数 63
    • 3.1.5 Softmax函数 64
    • 3.1.6 激活函数的选择 65
    • 3.2 损失函数 65
    • 3.2.1 损失函数的定义 66
    • 3.2.2 回归损失函数 67
    • 3.2.3 分类损失函数 69
    • 3.2.4 神经网络中常用的损失函数 70
    • 3.3 超参数 71
    • 3.3.1 学习率 71
    • 3.3.2 动量 72
    • 3.4 深度学习的技巧 73
    • 3.4.1 数据集准备 73
    • 3.4.2 数据集扩展 74
    • 3.4.3 数据预处理 76
    • 3.4.4 网络的初始化 81
    • 3.4.5 网络过度拟合 84
    • 3.4.6 正则化方法 85
    • 3.4.7 GPU的使用 88
    • 3.4.8 训练过程的技巧 89
    • 3.5 本章小结 91
    • 引用/参考 92
    • 第4章 卷积神经网络 93
    • 4.1 卷积神经网络概述 94
    • 4.1.1 卷积神经网络的应用 95
    • 4.1.2 卷积神经网络的结构 99
    • 4.1.3 卷积神经网络与人工神经网络的联系 101
    • 4.2 卷积操作 103
    • 4.2.1 滑动窗口卷积操作 104
    • 4.2.2 网络卷积层操作 105
    • 4.2.3 矩阵快速卷积 107
    • 4.3 卷积神经网络三大核心思想 110
    • 4.3.1 传统神经网络的缺点 110
    • 4.3.2 局部感知 111
    • 4.3.3 权值共享 112
    • 4.3.4 下采样 113
    • 4.4 设计卷积神经网络架构 115
    • 4.4.1 网络层间排列规律 116
    • 4.4.2 网络参数设计规律 116
    • 4.5 示例1:可视化手写字体网络特征 117
    • 4.5.1 MNIST手写字体数据库 118
    • 4.5.2 LeNet5网络模型 119
    • 4.5.3 LeNet5网络训练 122
    • 4.5.4 可视化特征向量 124
    • 4.6 示例2:少样本卷积神经网络分类 127
    • 4.6.1 Kaggle猫狗数据库 128
    • 4.6.2 AlexNet模型 130
    • 4.6.3 AlexNet训练 134
    • 4.6.4 AlexNet预测 136
    • 4.6.5 微调网络 137
    • 4.7 本章小结 140
    • 引用/参考 141
    • 第5章 卷积神经网络视觉盛宴 143
    • 5.1 图像目标检测 144
    • 5.1.1 传统目标检测方法 146
    • 5.1.2 基于区域的网络 147
    • 5.1.3 基于回归的网络 157
    • 5.1.4 目标检测小结 163
    • 5.2 图像语义分割 165
    • 5.2.1 传统图像分割方法 165
    • 5.2.2 全卷积神经网络 167
    • 5.2.3 SegNet网络 171
    • 5.2.4 DeepLab网络 173
    • 5.3 示例1:NMS确定候选框 176
    • 5.4 示例2:SS算法提取候选框 179
    • 5.4.1 图像复杂度 179
    • 5.4.2 算法核心思想 180
    • 5.4.3 区域相似度计算 184
    • 5.5 本章小结 189
    • 引用/参考 190
    • 第6章 卷积神经网络进阶示例 192
    • 6.1 示例1:全卷积网络图像语义分割 193
    • 6.1.1 VGG连续小核卷积层 193
    • 6.1.2 VGG网络模型 195
    • 6.1.3 全卷积网络模型 199
    • 6.1.4 全卷积网络语义分割 204
    • 6.2 示例2:深度可视化网络 209
    • 6.2.1 梯度上升法 210
    • 6.2.2 可视化所有卷积层 213
    • 6.2.3 可视化输出层 218
    • 6.2.4 卷积神经网络真能理解视觉吗 219
    • 6.3 示例3:卷积神经网络艺术绘画 220
    • 6.3.1 算法思想 221
    • 6.3.2 图像风格定义 222
    • 6.3.3 图像内容定义 224
    • 6.3.4 算法实现 225
    • 引用/参考 229
    • 第7章 循环神经网络 231
    • 7.1 初识循环神经网络 232
    • 7.1.1 前馈式神经网络的缺点 233
    • 7.1.2 什么是序列数据 234
    • 7.2 循环神经网络的应用 235
    • 7.3 循环神经网络的模型结构 237
    • 7.3.1 序列数据建模 237
    • 7.3.2 基本结构 238
    • 7.3.3 其他结构 239
    • 7.4 循环神经网络的核心算法 241
    • 7.4.1 模型详解 241
    • 7.4.2 向前传播 243
    • 7.4.3 损失函数 245
    • 7.4.4 时间反向传播算法 246
    • 7.4.5 梯度消失与梯度爆炸 251
    • 7.5 示例:使用循环神经网络预测文本数据 254
    • 7.5.1 定义网络模型 254
    • 7.5.2 序列数据预处理 255
    • 7.5.3 准备输入输出数据 258
    • 7.5.4 实现简单的循环神经网络模型 260
    • 7.6 本章小结 263
    • 引用/参考 264
    • 第8章 循环神经网络进阶序列长期记忆 265
    • 8.1 长期依赖问题 266
    • 8.2 长短期记忆网络 269
    • 8.2.1 LSTM网络结构 269
    • 8.2.2 LSTM记忆单元 270
    • 8.2.3 LSTM记忆方式 274
    • 8.3 门控循环单元 274
    • 8.3.1 GRU记忆单元 275
    • 8.3.2 GRU实现 276
    • 8.3.3 GRU与LSTM比较 277
    • 8.4 示例1:神奇的机器翻译 278
    • 8.4.1 基于统计的机器翻译 279
    • 8.4.2 基于神经网络的机器翻译 282
    • 8.4.3 编码-解码模型 283
    • 8.4.4 平衡语料数据集 287
    • 8.4.5 机器翻译的未来 292
    • 8.5 示例2:智能对话机器人 293
    • 8.5.1 Seq2Seq模型 294
    • 8.5.2 Seq2Seq模型的缺点 295
    • 8.5.3 超越Seq2Seq框架 296
    • 8.6 示例3:智能语音识别音箱 299
    • 8.6.1 语音识别框架 300
    • 8.6.2 准备语音数据 302
    • 8.6.3 语音特征提取 306
    • 8.6.4 声学模型 311
    • 8.6.5 语言模型 323
    • 8.6.6 语音识别的展望 323
    • 8.7 本章小结 324
    • 引用/参考 325

    上一篇:Web全栈工程师的自我修养  下一篇:Windows游戏编程大师技巧

    展开 +

    收起 -

    深度学习 相关电子书
    关于深度学习的学习笔记
    网友NO.285998

    TensorFlow深度学习之卷积神经网络CNN

    一、卷积神经网络的概述 卷积神经网络(ConvolutionalNeural Network,CNN)最初是为解决图像识别等问题设计的,CNN现在的应用已经不限于图像和视频,也可用于时间序列信号,比如音频信号和文本数据等。CNN作为一个深度学习架构被提出的最初诉求是降低对图像数据预处理的要求,避免复杂的特征工程。在卷积神经网络中,第一个卷积层会直接接受图像像素级的输入,每一层卷积(滤波器)都会提取数据中最有效的特征,这种方法可以提取到图像中最基础的特征,而后再进行组合和抽象形成更高阶的特征,因此CNN在理论上具有对图像缩放、平移和旋转的不变性。 卷积神经网络CNN的要点就是局部连接(LocalConnection)、权值共享(Weights Sharing)和池化层(Pooling)中的降采样(Down-Sampling)。其中,局部连接和权值共享降低了参数量,使训练复杂度大大下降并减轻了过拟合。同时权值共享还赋予了卷积网络对平移的容忍性,池化层降采样则进一步降低了输出参数量并赋予模型对轻度形变的容忍性,提高了模型的泛化能力。可以把卷积层卷积操作理解为用少量参数在图像的多个位置上提取相似特征的过程。 卷积层的空间排列: 上文讲解了卷积层中每个神经元与输入数据体之间的连接方式,但是尚未讨论输出数据体中神经元的数量,……

    网友NO.689608

    《Python深度学习》书评、读书笔记

    读者评价一 现阶段最浅显易懂的深度学习新手入门书,由Keras鼻祖落笔。高手不仅技术性能得,文采都不通常,确实就是说以便让尽量多的人可以应用深度学习而写的这这书,包含了深度学习的基本知识、Keras应用方式及其深度学习最好实践活动。 学习培训这书必须具有基本的PHP专业知识,但不用深度学习或是深度学习工作经验,也不用深奥的数学知识,高中数学水准得以看懂这书。 读者评价二 这这书从6月12号那一天老总递到我手上,到今日恰好六周,你在期内我逐字逐句地啃了这这书,并在每星期的星期二和星期五中午给组里的别人讲这这书,每一次讲3个钟头。直至5分钟前不久说完最终一章,写了180页的幻灯片。 感受从何说起呢?先讲Keras吧,这这书的创作者是Keras的创作者,因此这书主要详细介绍Keras在deeplearning中的各种各样使用方法。Keras容易入门,觉得用Keras写deeplearning的编码就跟用PHP相同,能够便捷地把想起的物品用几行编码表达。例如今日想写个convnet+fullyconnectedlayer的model归类一下下MNIST,要是用TensorFlow得话将会要前因后果写许多编码,可是用Keras得话要是不上十行就拿下了,随后就能够跑了,就跟跑HelloWorld相同简易。当你要来个transferlearning,那也非常简单,Keras有许多训炼好的model,立即load1个,再在其上……

    网友NO.562771

    Python编程深度学习计算库之numpy

    NumPy是python下的计算库,被非常广泛地应用,尤其是近来的深度学习的推广。在这篇文章中,将会介绍使用numpy进行一些最为基础的计算。 NumPy vs SciPy NumPy和SciPy都可以进行运算,主要区别如下 最近比较热门的深度学习,比如在神经网络的算法,多维数组的使用是一个极为重要的场景。如果你熟悉tensorflow中的tensor的概念,你会非常清晰numpy的作用。所以熟悉Numpy可以说是使用python进行深度学习入门的一个基础知识。 安装 liumiaocn:tmp liumiao$ pip install numpyCollecting numpy Downloading https://files.pythonhosted.org/packages/b6/5e/4b2c794fb57a42e285d6e0fae0e9163773c5a6a6a7e1794967fc5d2168f2/numpy-1.14.5-cp27-cp27m-macosx_10_6_intel.macosx_10_9_intel.macosx_10_9_x86_64.macosx_10_10_intel.macosx_10_10_x86_64.whl (4.7MB) 100% |████████████████████████████████| 4.7MB 284kB/s Installing collected packages: numpySuccessfully installed numpy-1.14.5liumiaocn:tmp liumiao$ 确认 liumiaocn:tmp liumiao$ pip show numpyName: numpyVersion: 1.14.5Summary: NumPy: array processing for numbers, strings, records, and objects.Home-page: http://www.numpy.orgAuthor: Travis E. Oliphant et al.Author-email: NoneLicense: BSDLocation: /usr/local/lib/python2.7/site-packagesRequires: Required-by: liumiaocn:tmp liumiao$ 使用 使用numpy的数组 使用如下例子简单来理解一下numpy的数组的使用:……

    网友NO.632342

    python开启摄像头以及深度学习实现目标检测方法

    最近想做实时目标检测,需要用到python开启摄像头,我手上只有两个uvc免驱的摄像头,性能一般。利用python开启摄像头费了一番功夫,主要原因是我的摄像头都不能用cv2的VideCapture打开,这让我联想到原来opencv也打不开Android手机上的摄像头(后来采用QML的Camera模块实现的)。看来opencv对于摄像头的兼容性仍然不是很完善。 我尝了几种办法:v4l2,v4l2_capture以及simpleCV,都打不开。最后采用pygame实现了摄像头的采集功能,这里直接给大家分享具体实现代码(python3.6,cv2,opencv3.3,ubuntu16.04)。中间注释的部分是我上述方法打开摄像头的尝试,说不定有适合自己的。 import pygame.cameraimport timeimport pygameimport cv2import numpy as np def surface_to_string(surface): """convert pygame surface into string""" return pygame.image.tostring(surface, 'RGB') def pygame_to_cvimage(surface): """conver pygame surface into cvimage""" #cv_image = np.zeros(surface.get_size, np.uint8, 3) image_string = surface_to_string(surface) image_np = np.fromstring(image_string, np.uint8).reshape(480, 640, 3) frame = cv2.cvtColor(image_np, cv2.COLOR_BGR2RGB) return image_np, frame pygame.camera.init()pygame.camera.list_cameras()cam = pygame.camera.Camera("/dev/video0", [640, 480]) cam.start()time.sleep(0.1)screen = pygame.display.set_mode([640, 480]) while True: image = cam.get_image() cv_image, frame = pygame_to_cvimage(image)……

    Copyright 2018-2019 xz577.com 码农之家

    版权责任说明