深度學習與人工智能實戰 張重生 9787111743224 【台灣高等教育出版社】
圖書均為代購，正常情形下，訂後約兩周可抵台。
物品所在地：中國大陸
原出版社：機械工業
物品所在地：中國大陸
原出版社：機械工業
NT$566
商品編號:
供貨狀況:
尚有庫存
加入最愛
此商品 「 最高 」可以折抵紅利
0
點
(約等於 NT$0 )
商品介紹
| *數量非實際在台庫存 *完成訂單後正常情形下約兩周可抵台。 *本賣場提供之資訊僅供參考，以到貨標的為實際資訊。 印行年月：202401*若逾兩年請先於私訊洽詢存貨情況，謝謝。 台灣(台北市)在地出版社，每筆交易均開具統一發票，祝您中獎最高1000萬元。 書名：深度學習與人工智能實戰 ISBN：9787111743224 出版社：機械工業 著編譯者：張重生 頁數：203 所在地：中國大陸 *此為代購商品 書號：1615501 可大量預訂，請先連絡。 內容簡介 深度學習是新一代人工智慧所使用的主要技術。本書深入淺出地講解了深度學習的相關技術，包括深度學習編程基礎、目標分類、目標檢測、圖像分割、生成對抗網路等。對每種技術，本書均從原理和程序實現兩個方面進行講解。在原理方面，講解演算法和技術的相關背景、主要演算法思想和原理；在程序實現方面，從數據準備、神經網路模型實現、損失函數實現、整體訓練流程和效果展示五部分對演算法的實現進行具體介紹，幫助讀者深入了解演算法的細節，積累相關實踐經驗。 本書是《深度學習與人工智慧》的配套用書，適合深度學習領域的初學者，以及高校高年級本科生和研究生閱讀學習。作者簡介 張重生，1982年9月生，博士，教授，碩士生導師，河南大學大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、資料庫、實時數據分析。 博士畢業於INRlA，France(法國國家信息與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)計算機系，師從Carlo Zaniolo教授進行流數據挖掘方面的研究。十多年來，一直從事資料庫、數據挖掘、大數據分析相關的研究，發表SCI/EI論文20篇，含Information Sciences、Neurocornputinq、lEEE ICDM、PAKDD、SSDBM等著名國際期刊和會議論文。作為項目負責人主持4項科研項目，出版學術著作三部，作為第一發明人獲得3項國家發明專利，指導碩士研究生12名。目錄 前言第1章 張量運算及圖像處理基礎 1 1 張量與張量運算 1 1 1 張量的概念 1 1 2 張量的基本屬性 1 1 3 張量生成 1 1 4 張量維度和索引 1 1 5 張量之間的運算 1 2 圖像處理的基礎操作 1 2 1 PIL圖像處理包簡介 1 2 2 常見的圖像處理操作 第2章 深度學習編程基礎 2 1 卷積神經網路的基本概念和常用函數 2 1 1 卷積層 2 1 2 池化層 2 1 3 全連接層 2 1 4 激活函數 2 1 5 PyTorch中的神經網路結構/模型構建方法 2 2 PyTorch中的數據處理操作 2 2 1 PyTorch自帶的數據集使用 2 2 2 自定義數據集的使用 2 2 3 PyTorch中的數據預處理模塊transforms 2 3 PyTorch中的損失函數使用 2 4 PyTorch中的優化器使用 2 4 1 優化器 2 4 2 學習率調整 2 5 PyTorch中模型訓練的整體流程 第3章 簡單的卷積神經網路實現 3 1 LeNet-5卷積神經網路實現 3 1 1 數據準備 3 1 2 LeNet-5神經網路結構/模型定義 3 1 3 wandb可視化工具 3 1 4 整體訓練流程 3 1 5 效果展示 3 2 AlexNet卷積神經網路實現 3 2 1 數據準備 3 2 2 AlexNet神經網路結構/模型定義 3 2 3 整體訓練流程 3 2 4 效果展示 第4章 基於深度學習的簡單目標識別 4 1 基於VGG骨幹網路的目標分類 4 1 1 VGG介紹 4 1 2 VGG16網路實現 4 1 3 基於VGG16進行CIFAR數據集分類 4 2 基於ResNet骨幹網路的目標分類 4 2 1 ResNet神經網路的設計原理 4 2 2 ResNet-18神經網路模型實現 4 2 3 基於ResNet-18的目標分類 第5章 基於深度學習的人臉表情識別 5 1 人臉表情數據準備 5 2 基於ResNet神經網路的人臉表情識別 5 2 1 網路定義 5 2 2 整體訓練流程 第6章 孿生神經網路及人臉驗證實戰 6 1 孿生神經網路原理 6 2 基於孿生神經網路的人臉驗證實戰 6 2 1 數據準備 6 2 2 孿生神經網路實現 6 2 3 損失函數實現 6 2 4 整體訓練流程 6 2 5 效果展示 第7章 CosFace損失函數原理及人臉識別實戰 7 1 CosFace 7 2 基於CosFace的人臉識別實戰 7 2 1 數據準備 7 2 2 損失計算 7 2 3 整體訓練流程 7 2 4 效果展示 第8章 蒸餾學習原理及實戰 8 1 知識蒸餾原理 8 1 1 蒸餾網路的神經網路結構 8 1 2 蒸餾學習過程 8 2 知識蒸餾實戰 8 2 1 訓練學生模型 8 2 2 訓練教師模型 8 2 3 蒸餾學習的損失函數 8 2 4 蒸餾學習過程 8 2 5 效果展示 第9章 Faster R-CNN目標檢測演算法原理及實戰 9 1 Faster R-CNN目標檢測演算法原理 9 1 1 Faster R-CNN的神經網路結構 9 1 2 Faster R-CNN的目標矩陣構造 9 1 3 Faster R-CNN的損失函數設計 9 1 4 Faster R-CNN的整體工作流程 9 2 Faster R-CNN目標檢測實戰 9 2 1 數據準備 9 2 2 損失定義 9 2 3 Faster R-CNN的神經網路模型實現 9 2 4 整體訓練流程 9 2 5 效果展示 第10章 YOLO v3目標檢測演算法原理及實戰 10 1 YOLO v3目標檢測演算法原理 10 1 1 YOLO v3神經網路結構 10 1 2 YOLO v3目標矩陣構造方法 10 1 3 YOLO v3損失函數設計 10 2 YOLO v3目標檢測實戰 10 2 1 數據準備 10 2 2 YOLO v3神經網路實現/模型定義 10 2 3 損失定義 10 2 4 整體訓練流程 10 2 5 效果展示 第11章 FCN圖像分割演算法原理及實戰 11 1 FCN圖像分割演算法原理 11 2 FCN圖像分割實戰 11 2 1 數據準備 11 2 2 FCN的神經網路結構/模型定義 11 2 3 整體訓練流程 11 2 4 效果展示 第12章 U-Net圖像分割演算法原理及實戰 12 1 U-Net圖像分割演算法原理 12 2 基於U-Net的圖像分割實戰 12 2 1 U-Net的模型定義/神經網路結構 12 2 2 U-Net的損失函數/Dice損失 12 2 3 整體訓練流程 12 2 4 效果展示 第13章 DCGAN生成對抗網路原理及其圖像生成實戰 13 1 DCGAN生成對抗網路原理 13 1 1 DCGAN生成器模型 13 1 2 DCGAN的判別器模型 13 1 3 DCGAN的損失函數 13 1 4 DCGAN的訓練過程 13 2 基於DCGAN的圖像生成技術實戰 13 2 1 定義判別器 13 2 2 定義生成器 13 2 3 定義損失函數 13 2 4 整體訓練流程 13 2 5 效果展示 附錄 附錄A PyTorch開發環境配置 附錄B 常用PyTorch函數速查手冊 詳細資料或其他書籍請至台灣高等教育出版社查詢，查後請於PChome商店街私訊告知ISBN或書號，我們即儘速上架。 |
