人民邮电 深度学习原理与实践【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

人民邮电 深度学习原理与实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

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 A1exNet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