包郵深度學習技術基礎(微課版)

作者：田春偉、左旺孟著

出版社：清華大學出版社出版時間：2024-12-01

開本：其他頁數： 0

本類榜單：教材銷量榜

中圖價:¥42.6(8.7折) 定價 ~~¥49.0~~ 登錄后可看到會員價

加入購物車收藏

開年大促， 全場包郵

?新疆、西藏除外

本類五星書更多>

>
闖進數學世界――探秘歷史名題

闖進數學世界――探秘歷史名題

¥20.7¥32.8
>
中醫基礎理論

中醫基礎理論

¥51.7¥59
>
當代中國政府與政治(新編21世紀公共管理系列教材)

當代中國政府與政治(新編21世紀公共管理系列教材)

¥31.2¥48
>
高校軍事課教程

高校軍事課教程

¥12.4¥38
>
思想道德與法治(2021年版)

思想道德與法治(2021年版)

¥8.5¥18
>
毛澤東思想和中國特色社會主義理論體系概論(2021年版)

毛澤東思想和中國特色社會主義理論體系概論(2021年版)

¥8.5¥25
>
中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材

中醫內科學·全國中醫藥行業高等教育“十四五”規劃教材

¥85.1¥99

商品詳情
商品評論(0條)

中圖價:¥42.6 加入購物車

版權信息
本書特色
內容簡介
前言
目錄

深度學習技術基礎(微課版) 版權信息

ISBN：9787302676218
條形碼：9787302676218 ; 978-7-302-67621-8
裝幀：平裝
冊數：暫無
重量：暫無
所屬分類：
教材
>
研究生/本科/專科教材

深度學習技術基礎(微課版) 本書特色

易讀性和實用性并重：本書注重可讀性和實用性，采用通俗易懂的語言和清晰的結構來闡述復雜的深度學習原理。同時，書中還提供了大量的實際案例和代碼實現，以便讀者能夠快速上手并應用所學知識解決實際問題。
豐富的例題和實驗：書中提供了大量的例題和實驗，涵蓋了圖像復原、目標檢測、圖像生成等不同的深度學習任務。這些例題和實驗旨在幫助讀者通過實踐來鞏固所學知識，提高應用能力。而且，例題不僅附帶了相對應的代碼和可視化結果圖，而且，還附帶有深度的思考題。
獨特的圖像復原內容：與市面上其他教材不同的是，本書特別添加了圖像復原的相關內容。圖像復原是計算機視覺領域的一個重要分支，旨在從降質的圖像中恢復出原始的高質量圖像。通過介紹圖像復原的基本原理和經典算法，本書為讀者提供了一個全新的視角來理解和應用深度學習技術。

深度學習技術基礎(微課版) 內容簡介

《深度學習技術基礎》是一本專為深度學習初學者打造的入門寶典。這本書從初學者的視角出發，以通俗易懂的語言和清晰流暢的結構，引導讀者逐步走進深度學習的世界。在內容上，本書精選了深度學習的核心基礎知識，通過生動的圖表和示例，幫助讀者直觀理解CNN、RNN、Transformer等主流深度模型的工作原理和應用場景。讀者無需擔心深奧的理論推導，只需跟隨本書的步伐，就能輕松掌握深度學習的基本概念和原理。為了讓讀者更好地鞏固所學知識并提升實際應用能力，本書還精心設計了大量貼近實際的例題和實驗。這些練習題目難度適中，既能激發讀者的學習興趣，又能讓讀者在實踐中逐步掌握深度學習的應用技巧。無論是圖像復原、目標檢測還是圖像生成，讀者都能通過本書找到適合自己的學習路徑。此外，本書還特別添加了圖像復原的相關內容，為讀者提供了一個全新的視角來理解和應用深度學習技術。圖像復原作為計算機視覺領域的重要分支，具有廣泛的應用前景，相信讀者會對這一部分內容產生濃厚的興趣。總的來說，《深度學習技術基礎》就像一位貼心的導師，始終陪伴在讀者身邊，引導讀者輕松入門深度學習。無論讀者是高等學校計算機、人工智能、自動化、電子和通信等相關專業的本科生或者研究生，還是對深度學習充滿好奇的新手，本書都將是你*佳的選擇和伴侶。相信通過本書的學習，讀者將能夠打下堅實的基礎，為未來的深度學習之旅做好充分的準備。

深度學習技術基礎(微課版)深度學習技術基礎(微課版) 前言

深度學習是當前人工智能領域*受關注且應用*廣泛的技術之一。它利用人工神經網絡模擬人類大腦的神經元結構和學習方式，通過大規模數據和強大的計算能力來實現自主學習和問題解決。如今，深度學習技術已在圖像識別、自然語言處理、語音識別等多個領域取得了顯著突破。
編寫本書的初衷，是為讀者提供一份系統而實用的學習參考，幫助讀者全面掌握深度學習的基本原理、核心算法及其應用。無論是有志于投身人工智能領域的初學者，還是已經從事相關工作的專業人士，都能從本書中受益。深度學習作為一門復雜的學科，涉及數學、計算機科學、統計學等多個領域的知識。因此，本書力求以清晰易懂的語言、結合實際案例和生動的圖表，幫助讀者逐步深入理解深度學習的核心概念和關鍵技術。深度學習是當前人工智能領域*受關注且應用*廣泛的技術之一。它利用人工神經網絡模擬人類大腦的神經元結構和學習方式，通過大規模數據和強大的計算能力來實現自主學習和問題解決。如今，深度學習技術已在圖像識別、自然語言處理、語音識別等多個領域取得了顯著突破。 編寫本書的初衷，是為讀者提供一份系統而實用的學習參考，幫助讀者全面掌握深度學習的基本原理、核心算法及其應用。無論是有志于投身人工智能領域的初學者，還是已經從事相關工作的專業人士，都能從本書中受益。深度學習作為一門復雜的學科，涉及數學、計算機科學、統計學等多個領域的知識。因此，本書力求以清晰易懂的語言、結合實際案例和生動的圖表，幫助讀者逐步深入理解深度學習的核心概念和關鍵技術。 本書共分為6章。第1章概述了人工神經網絡的起源與發展歷程，詳細闡釋了其基本概念，并深入介紹了人工神經網絡的核心組成部分，如神經元、權重和偏置等。同時，列舉了常見的神經網絡結構，包括前饋神經網絡以及反饋神經網絡，并對人工神經網絡的模型及其廣泛應用進行了討論。第2章聚焦于卷積神經網絡的發展及其理論基礎，詳盡分析了卷積神經網絡的基本組件。*后，探討了卷積神經網絡的參數優化方法、優缺點及實際應用場景。第3章介紹了一些經典的卷積神經網絡架構，深入解析了它們的結構和特點。通過實際案例和實驗演示，展示了這些網絡在圖像分類、目標檢測等任務中的卓越表現，并討論了各個網絡的相對優缺點。第4章介紹了幾種常見的深度學習編程工具，包括Caffe、Keras、TensorFlow和PyTorch，并對每種工具的特點、優勢和局限性進行了詳細闡述與對比。第5章探討了深度學習技術在圖像領域的應用，如圖像識別、目標檢測和圖像分割，通過這些實例展示了卷積神經網絡在實際應用中的作用和效果。第6章簡要總結了本書的主要內容，并展望了深度學習技術的未來發展方向。 在閱讀本書之前，讀者需要具備一定的數學基礎，如線性代數、微積分和概率論。如果讀者對于機器學習和人工智能的相關知識已有一定了解，將有助于理解深度學習的概念和方法。即使讀者對這些領域尚不熟悉，本書也將以盡可能簡潔明了的方式介紹相關概念，幫助讀者逐步建立起對深度學習的全面認識。在本書的編寫過程中，我們雖已力求確保其科學性、準確性和易讀性，但由于技術的迅猛發展，某些*新的研究成果和應用可能未能及時納入本書。因此，我們鼓勵讀者在學習的過程中，積極關注*新的學術論文和技術動態，以保持對深度學習領域的前沿認識。 書中知識點講解視頻可掃描如下二維碼獲得文件后，再掃描文件中的二維碼觀看。 Bilibili上的視頻二維碼 編者2024年9月〖3〗深度學習技術基礎（微課版）致謝 在完成本書的過程中，我們有幸得到了眾多人士的支持、鼓勵和幫助。在此，謹向所有給予我們幫助與支持的朋友和同仁們致以誠摯的謝意。 首先，特別感謝那些開創深度學習領域的先驅們。他們通過不斷的探索和卓越的貢獻，為深度學習技術的發展奠定了堅實的基礎。前輩們豐富的研究成果與創新思維，極大地啟發了我們，使我們能夠深入理解并應用深度學習的核心原理。 其次，感謝我們的同事和合作伙伴們。他們與我們一起探討、交流和合作，共同解決了許多技術上的問題。他們的智慧和勤奮，使得本書的內容更加充實和全面。 再次，我們還要向眾多學者、工程師和研究者致以誠摯的謝意。他們的研究論文、開源項目和學術討論為我們提供了豐富的學習資源和靈感。他們的奉獻與貢獻，使我們能夠深入理解深度學習技術的前沿進展。 此外，我們要感謝每一位閱讀本書的讀者。你們的支持是我們撰寫此書的初衷與動力。希望本書能夠為你們提供扎實的基礎知識和實用的技術指導，幫助你們更好地理解和應用深度學習技術。 *后，向所有在我們撰寫與出版本書的過程中給予幫助與支持的人們表示由衷的感謝。沒有你們的支持和鼓勵，我們無法完成這一挑戰。本書的完成離不開你們的寶貴貢獻與幫助。 衷心感謝！

顯示全部信息

深度學習技術基礎(微課版) 目錄

第1章人工神經網絡1
1.1人工神經網絡的起源與發展1
1.2人工神經網絡的基本概念2
1.2.1人工神經網絡的組成2
1.2.2人工神經網絡的核心組件2
1.2.3前饋與反饋神經網絡5
1.3人工神經網絡的模型及應用9
1.4例題12
1.5課后習題17
第2章卷積神經網絡18
2.1卷積神經網絡的發展18
2.2卷積神經網絡的原理19
2.3卷積神經網絡的基本組件20
2.3.1卷積層20
2.3.2池化層24
2.3.3歸一化層24
2.3.4激活函數27
2.3.5全連接層32
2.4卷積神經網絡參數優化方法33
2.5卷積神經網絡的優缺點及其應用場景36
2.6例題38
2.7課后習題46
第3章經典卷積神經網絡47
3.1AlexNet47
3.1.1AlexNet的網絡結構47
3.1.2AlexNet的改進483.2VGGNet49
3.2.1VGGNet的網絡結構49
3.2.2VGGNet的特點50
3.3GoogLeNet51
3.3.1Inception結構51
3.3.2輔助分類器53
3.4殘差網絡53
3.5密集連接網絡56
3.6生成對抗網絡58
3.6.1生成對抗網絡概述58
3.6.2生成對抗網絡訓練過程58
3.6.3生成對抗網絡的發展58
3.7Transformer59
3.7.1Transformer概述59
3.7.2自注意力機制60
3.7.3Transformer的輸入61
3.7.4掩碼機制61
3.7.5Transformer網絡61
3.8例題62
3.9課后習題71
第4章深度學習技術編程工具72
4.1Caffe73
4.1.1Caffe概述73
4.1.2Caffe的特點74
4.2Keras74
4.2.1Keras概述74
4.2.2Keras的特點75
4.3TensorFlow75
4.3.1TensorFlow概述75
4.3.2TensorFlow的特點76
4.4PyTorch76
4.4.1PyTorch概述76
4.4.2PyTorch的特點77
4.5例題77
4.6課后習題81
第5章深度學習技術的應用82
5.1圖像去噪82
5.1.1圖像去噪任務82
5.1.2數據集82
5.1.3經典圖像去噪網絡87
5.2圖像超分辨率90
5.2.1圖像超分辨率任務90
5.2.2數據集90
5.2.3主流圖像超分辨率網絡92
5.3圖像識別97
5.3.1圖像識別的概念97
5.3.2常用圖像分類數據集98
5.3.3經典圖像分類算法99
5.4目標檢測102
5.4.1目標檢測的概念102
5.4.2常用目標檢測數據集103
5.4.3兩階段目標檢測算法104
5.4.4單階段目標檢測算法106
5.5圖像分割109
5.5.1圖像分割的概念109
5.5.2語義分割算法110
5.5.3實例分割算法112
5.5.4圖像分割的應用場景117
5.5.5總結與展望117
5.6例題118
5.7課后習題128
第6章總結和展望129
參考文獻131