深度學習：主流框架和編程實戰(zhàn)

定　價：￥59.00

作　者：	趙涓涓強彥
出版社：	機械工業(yè)出版社
叢編項：
標　簽：	暫缺

購買這本書可以去

ISBN：	9787111592396	出版時間：	2018-05-01	包裝：
開本：	16開	頁數(shù)：	220	字數(shù)：

內(nèi)容簡介

　　本書是利用實例來講解深度學習框架以及深度學習方法的綜合性著作，介紹了四大深度學習框架（TensorFlow、Caffe、Torch和MXNet），還詳細介紹了調(diào)參、二次接口的編程、遷移學習的模型等內(nèi)容。

作者簡介

　　趙涓涓，太原理工大學信息與計算機學院教授，博士生導師，計算機科學系主任。中國計算機學會青年科技論壇太原主席（2017-2018年度）。主要從事影像大數(shù)據(jù)、機器學習等方面的科研與教學工作。出版學術(shù)專著2部，發(fā)表學術(shù)論文60余篇，ESI高被引論文1篇。強彥，太原理工大學信息與計算機學院副院長，教授，博士生導師。中國計算機學會理事，中國計算機學會杰出會員。主要從事智能信息處理、模式識別、影像大數(shù)據(jù)、人工智能等方面的科研與教學工作。主講教育部國家精品視頻公開課“面向?qū)ο蟮木幊趟枷敫庞[”，在愛課程、網(wǎng)易公開課、中國大學MOOC平臺等眾多教學平臺上都有呈現(xiàn)，受眾百萬。出版高校教材15部，國家級規(guī)劃教材3部，譯著2部，2017年獲山西省教學成果獎一等獎、山西省“五一勞動獎?wù)隆?、山西省高校“最美教師”稱號。

圖書目錄

CONTENTS
目　　錄
前言
第1章　緒論 1
1.1　機器學習與深度學習 1
1.1.1　機器學習與深度學習的關(guān)系 2
1.1.2　傳統(tǒng)機器學習與深度學習的對比 3
1.2　統(tǒng)計學與深度學習 5
1.2.1　統(tǒng)計學與深度學習的關(guān)系 5
1.2.2　基于統(tǒng)計的深度學習技術(shù) 6
1.3　本書涉及的深度學習框架 8
1.4　優(yōu)化深度學習的方法 8
1.5　深度學習展望 9
第2章　TensorFlow深度學習框架構(gòu)建方法與圖像分類的實現(xiàn) 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基于Anaconda的安裝 16
2.2.2　測試TensorFlow 19
2.3　基于TensorFlow框架的圖像分類實現(xiàn)（ResNet-34） 20
2.3.1　應(yīng)用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序?qū)崿F(xiàn) 24
2.3.4　詳細代碼解析 27
2.3.5　實驗結(jié)果及分析 51
第3章　Caffe深度學習框架搭建與圖像語義分割的實現(xiàn) 56
3.1　Caffe概述 56
3.1.1　Caffe的特點 56
3.1.2　Caffe框架結(jié)構(gòu) 57
3.2　Caffe框架安裝與調(diào)試 59
3.3　基于Caffe框架的圖像分割實現(xiàn)（FCN） 64
3.3.1　用Caffe構(gòu)建卷積神經(jīng)網(wǎng)絡(luò) 64
3.3.2　FCN-8s網(wǎng)絡(luò)簡介 69
3.3.3　詳細代碼解讀 85
3.3.4　實驗結(jié)果與結(jié)論 98
第4章　Torch深度學習框架搭建與目標檢測的實現(xiàn) 100
4.1　Torch概述 100
4.1.1　Torch的特點 100
4.1.2　Lua語言 102
4.2　Torch框架安裝 104
4.3　基于Torch框架的目標檢測實現(xiàn)（Faster R-CNN） 113
4.3.1　Torch的類和包的基本用法 113
4.3.2　用Torch構(gòu)建神經(jīng)網(wǎng)絡(luò) 116
4.3.3　Faster R-CNN介紹 119
4.3.4　Faster R-CNN實例 127
4.3.5　實驗結(jié)果分析 161
第5章　MXNet深度學習框架構(gòu)建與自然語言處理的實現(xiàn) 164
5.1　MXNet概述 164
5.1.1　MXNet基礎(chǔ)知識 164
5.1.2　編程接口 166
5.1.3　系統(tǒng)實現(xiàn) 169
5.1.4　MXNet的關(guān)鍵特性 171
5.2　MXNet框架安裝 172
5.3　基于MXNet框架的自然語言處理實現(xiàn)（LSTM） 179
5.3.1　自然語言處理應(yīng)用背景 179
5.3.2　RNN及LSTM網(wǎng)絡(luò) 180
5.3.3　Bucketing及不同長度的序列訓練 183
5.3.4　詳細代碼實現(xiàn) 185
5.3.5　實驗過程及實驗結(jié)果分析 191
第6章　遷移學習 195
6.1　遷移學習發(fā)展概述 195
6.2　遷移學習的類型與模型 196
6.2.1　凍結(jié)源模型與微調(diào)源模型 197
6.2.2　神經(jīng)網(wǎng)絡(luò)遷移學習模型與分類器遷移學習模型 197
6.3　遷移學習方法實例指導 199
6.3.1　遷移學習應(yīng)用示例 199
6.3.2　實驗結(jié)論 202
第7章　并行計算與交叉驗證 203
7.1　并行計算 203
7.1.1　數(shù)據(jù)并行框架 204
7.1.2　模型并行框架 205
7.1.3　數(shù)據(jù)并行與模型并行的混合架構(gòu) 205
7.2　交叉驗證 207
7.2.1　留出法 207
7.2.2　K折交叉驗證 208
7.2.3　留一交叉驗證 209
參考文獻 211