新書推薦：
《
新民说·逝去的盛景：宋朝商业文明的兴盛与落幕（上下册）
》
售價：NT$
790.0
《
我从何来：自我的心理学探问
》
售價：NT$
545.0
《
失败：1891—1900 清王朝的变革、战争与排外
》
售價：NT$
390.0
《
万千心理·我的精神分析之道：复杂的俄狄浦斯及其他议题
》
售價：NT$
475.0
《
荷马：伊利亚特（英文）-西方人文经典影印21
》
售價：NT$
490.0
《
我的心理医生是只猫
》
售價：NT$
225.0
《
股权控制战略：如何实现公司控制和有效激励（第2版）
》
售價：NT$
449.0
《
成吉思汗传：看历代帝王将相谋略 修炼安身成事之根本
》
售價：NT$
280.0
|
| 編輯推薦： |
|
本书作者是大数据与人工智能领域的权威专家，技术背景强大，在学术界和工业界均取得了显著成就，多次获得国际奖项，研究成果广泛受到媒体关注。本书按照知识由浅入深、循序渐进的规律编写而成。根据深度学习技术的特点，将内容划分为数据准备、神经网络模型实现、损失函数实现、整体训练流程和效果展示五部分。逻辑清楚，可操作性强、更易理解。本书是一本学习深度学习与人工智能实战指南，书中给出了核心算法和技术的原理讲解+真实完整的项目案例+可下载的源代码和实验数据集。
|
| 內容簡介： |
|
深度学习是新一代人工智能所使用的主要技术。本书深入浅出地讲解了深度学习的相关技术，包括深度学习编程基础、目标分类、目标检测、图像分割、生成对抗网络等。对每种技术，本书均从原理和程序实现两个方面进行讲解。在原理方面，讲解算法和技术的相关背景、主要算法思想和原理；在程序实现方面，从数据准备、神经网络模型实现、损失函数实现、整体训练流程和效果展示五部分对算法的实现进行具体介绍，帮助读者深入了解算法的细节，积累相关实践经验。本书是《深度学习与人工智能》的配套用书，适合深度学习领域的初学者，以及高校高年级本科生和研究生阅读学习。本书各章节的源代码和实验数据集可通过本书的GitHub主页下载，以供读者自主练习。
|
| 關於作者： |
|
张重生，男，1982年9月生，博士，河南大学计算机与信息工程学院教授、博士生导师。 2012年博士毕业于法国国家信息与自动化研究所（INRIA）。研究方向为大数据、人工智能。主持20余项科研项目（含国家自然科学基金项目1项、人文社会科学研究一般项目1项），在AAAI、SIGKDD顶级国际会议及知名期刊上发表学术论文近50篇，获得法国数据挖掘会议EGC 2010最佳论文奖及奖金1500欧元。出版著译作6部，作为第一发明人申请/授权近20项国家发明专利。曾作为主要成员之一执笔《河南省大数据产业发展引导目录》、《河南省国家大数据综合试验区实施方案》并由河南省人民政府颁布实施。主研“AI缀多多”软件，实现了人工智能批量缀合甲骨，在古文字与人工智能结合方面取得了率先突破，受到新华社、河南卫视、河南日报、大河报、郑州晚报、中国青年报、环球网、腾讯网等媒体的广泛报道，其作为特邀嘉宾参与录制的CCTV-10《透视新科技》“智破甲骨之谜”节目于2023年11月5日在CCTV-10正式播出。
|
| 目錄：
|
|
前言第1章 张量运算及图像处理基础11.1 张量与张量运算11.1.1 张量的概念11.1.2 张量的基本属性21.1.3 张量生成41.1.4 张量维度和索引71.1.5 张量之间的运算111.2 图像处理的基础操作141.2.1 PIL图像处理包简介151.2.2 常见的图像处理操作15第2章 深度学习编程基础212.1 卷积神经网络的基本概念和常用函数212.1.1 卷积层212.1.2 池化层232.1.3 全连接层232.1.4 激活函数242.1.5 PyTorch中的神经网络结构/模型构建方法242.2 PyTorch中的数据处理操作262.2.1 PyTorch自带的数据集使用262.2.2 自定义数据集的使用292.2.3 PyTorch中的数据预处理模块transforms312.3 PyTorch中的损失函数使用322.4 PyTorch中的优化器使用332.4.1 优化器332.4.2 学习率调整352.5 PyTorch中模型训练的整体流程35第3章 简单的卷积神经网络实现403.1 LeNet-5卷积神经网络实现403.1.1 数据准备403.1.2 LeNet-5神经网络结构/模型定义423.1.3 wandb可视化工具433.1.4 整体训练流程443.1.5 效果展示463.2 AlexNet卷积神经网络实现463.2.1 数据准备463.2.2 AlexNet神经网络结构/模型定义483.2.3 整体训练流程503.2.4 效果展示50第4章 基于深度学习的简单目标识别514.1 基于VGG骨干网络的目标分类514.1.1 VGG介绍514.1.2 VGG16网络实现524.1.3 基于VGG16进行CIFAR数据集分类544.2 基于ResNet骨干网络的目标分类554.2.1 ResNet神经网络的设计原理554.2.2 ResNet-18神经网络模型实现564.2.3 基于ResNet-18的目标分类60第5章 基于深度学习的人脸表情识别615.1 人脸表情数据准备615.2 基于ResNet神经网络的人脸表情识别645.2.1 网络定义645.2.2 整体训练流程65第6章 孪生神经网络及人脸验证实战666.1 孪生神经网络原理666.2 基于孪生神经网络的人脸验证实战686.2.1 数据准备686.2.2 孪生神经网络实现706.2.3 损失函数实现726.2.4 整体训练流程726.2.5 效果展示74第7章 CosFace损失函数原理及人脸识别实战767.1 CosFace767.2 基于CosFace的人脸识别实战787.2.1 数据准备787.2.2 损失计算797.2.3 整体训练流程807.2.4 效果展示82第8章 蒸馏学习原理及实战848.1 知识蒸馏原理848.1.1 蒸馏网络的神经网络结构848.1.2 蒸馏学习过程858.2 知识蒸馏实战868.2.1 训练学生模型868.2.2 训练教师模型898.2.3 蒸馏学习的损失函数898.2.4 蒸馏学习过程908.2.5 效果展示92第9章 Faster R-CNN目标检测算法原理及实战939.1 Faster R-CNN目标检测算法原理939.1.1 Faster R-CNN的神经网络结构939.1.2 Faster R-CNN的目标矩阵构造949.1.3 Faster R-CNN的损失函数设计959.1.4 Faster R-CNN的整体工作流程969.2 Faster R-CNN目标检测实战979.2.1 数据准备979.2.2 损失定义1019.2.3 Faster R-CNN的神经网络模型实现1039.2.4 整体训练流程1189.2.5 效果展示121第10章 YOLO v3目标检测算法原理及实战12510.1 YOLO v3目标检测算法原理12510.1.1 YOLO v3神经网络结构12510.1.2 YOLO v3目标矩阵构造方法12610.1.3 YOLO v3损失函数设计12810.2 YOLO v3目标检测实战12910.2.1 数据准备13010.2.2 YOLO v3神经网络实现/模型定义13410.2.3 损失定义13810.2.4 整体训练流程14510.2.5 效果展示148第11章 FCN图像分割算法原理及实战15611.1 FCN图像分割算法原理15611.2 FCN图像分割实战15811.2.1 数据准备15811.2.2 FCN的神经网络结构/模型定义15911.2.3 整体训练流程16211.2.4 效果展示166第12章 U-Net图像分割算法原理及实战16812.1 U-Net图像分割算法原理16812.2 基于U-Net的图像分割实战17012.2.1 U-Net的模型定义/神经网络结构17012.2.2 U-Net的损失函数/Dice损失17312.2.3 整体训练流程17412.2.4 效果展示179第13章 DCGAN生成对抗网络原理及其图像生成实战18013.1 DCGAN生成对抗网络原理18013.1.1 DCGAN生成器模型18013.1.2 DCGAN的判别器模型18213.1.3 DCGAN的损失函数18313.1.4 DCGAN的训练过程18313.2 基于DCGAN的图像生成技术实战18413.2.1 定义判别器18513.2.2 定义生成器18713.2.3 定义损失函数18813.2.4 整体训练流程18913.2.5 效果展示192附录194附录A PyTorch开发环境配置194附录B 常用PyTorch函数速查手册199
|
| 內容試閱：
|
|
前 言本书按照知识由浅入深、循序渐进的规律编写而成。内容分为三大部分，第一部分是Python和PyTorch编程基础，介绍常用的函数及其用法；第二部分是初级深度学习算法与技术，含基础卷积神经网络的实现，目标识别、人脸表情识别等实战；第三部分是高级深度学习算法和技术，含孪生神经网络、度量学习、蒸馏学习、目标检测、图像分割、图像生成等技术及实战。本书的附录还提供了常用PyTorch函数速查手册。本书根据深度学习技术的特点，将内容划分为数据准备、神经网络模型实现、损失函数实现、整体训练流程和效果展示五部分。这种章节内容安排方式逻辑清楚，可操作性强、更易理解。本书是一本实战性较强的深度学习书籍，书中内容基于作者多年来的理论与实践积累。感谢以下人员对本书的完成所提供的巨大帮助：1）随着三年深度学习上机课的开展，助教杜凯、韩诗阳、邓斌权积累了各章节的实验素材和代码。2）每章的实验内容的材料整理主要由陈承功和邓斌权负责（两者在此部分的贡献占比分别为70%和30%）。本书的主要定位是深度学习的实践参考书，但也包含了对相关算法和技术的原理讲解。本书是将于2024年出版的《深度学习与人工智能》的配套用书。本书各章节的源代码和实验数据集已对外公开，读者可通过本书的GitHub主页下载、自主练习。主页地址为：DLBook.github.jo本书的出版，得到了河南大学教材建设基金项目和河南大学研究生教育创新和质量提升工程项目的支持，在此致谢。张重生2023年12月1日
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
