填写邮箱后继续，文件将发送至该邮箱。
| 商品基本信息 | |
| 商品名称： | 深度学习与计算机视觉——算法原理、框架应用与代码实现 |
| 作者： | 叶韵 |
| 市场价： | 79.00 |
| ISBN号： | 9787111573678 |
| 版次： | 1-1 |
| 出版日期： | 2017-08 |
| 页数： | 327 |
| 字数： | 550 |
| 出版社： | 机械工业出版社 |
| 内容简介 | |
| 全书共13章，分为2篇。*1篇基础知识，介绍了人工智能发展里程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构，后对前沿的趋势进行了简单探讨。*2篇实例精讲，介绍了Python基础、OpneCV基础、简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。从第5章开始包含了很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前流行的深度学习框架中的Caffe和MXNet。 |
| 目录 | |
| 目录 序言 前言 *1篇 基础知识 *1章 引言2 1.1 人工智能的新焦点——深度学习2 1.1.1 人工智能——神话传说到影视漫画2 1.1.2 人工智能的诞生3 1.1.3 神经科学的研究4 1.1.4 人工神经网络的兴起5 1.1.5 神经网络的*一次寒冬6 1.1.6 神经网络的*一次复兴8 1.1.7 神经网络的*二次寒冬9 1.1.8 2006年——深度学习的起点10 1.1.9 生活中的深度学习11 1.1.10 常见深度学习框架简介12 1.2 给计算机一双眼睛——计算机视觉14 1.2.1 计算机视觉简史14 1.2.2 2012年——计算机视觉的新起点16 1.2.3 计算机视觉的应用17 1.2.4 常见计算机视觉工具包19 1.3 基于深度学习的计算机视觉19 1.3.1 从ImageNet竞赛到AlphaGo战胜李世石——计算机视觉超越人类19 1.3.2 GPU和并行技术——深度学习和计算视觉发展的加速器21 1.3.3 基于卷积神经网络的计算机视觉应用22 *2章 深度学习和计算机视觉中的基础数学知识27 2.1 线性变换和非线性变换27 2.1.1 线性变换的定义27 2.1.2 高中教科书中的小例子28 2.1.3 点积和投影28 2.1.4 矩阵乘法的几何意义（1）30 2.1.5 本征向量和本征值34 2.1.6 矩阵乘法的几何意义（2）37 2.1.7 奇异值分解38 2.1.8 线性可分性和维度39 2.1.9 非线性变换42 2.2 概率论及相关基础知识43 2.2.1 条件概率和独立43 2.2.2 期望值、方差和协方差44 2.2.3 熵45 2.2.4 *大似然估计（Maximum Likelihood Estimation，MLE）47 2.2.5 KL散度（Kullback–Leibler divergence）49 2.2.6 KL散度和MLE的联系49 2.3 维度的诅咒50 2.3.1 采样和维度50 2.3.2 高维空间中的体积51 2.3.3 高维空间中的距离53 2.3.4 中心极限定理和高维样本距离分布的近似54 2.3.5 数据实际的维度56 2.3.6 局部泛化58 2.3.7 函数对实际维度的影响59 2.3.8 PCA——什么是主成分60 2.3.9 PCA——通过本征向量和本征值求主成分60 2.3.10 PCA——通过主成分分析降维61 2.3.11 PCA——归一化和相关性系数63 2.3.12 PCA——什么样的数据适合PCA64 2.3.13 其他降维手段65 2.4 卷积66 2.4.1 点积和卷积66 2.4.2 一维卷积67 2.4.3 卷积和互相关68 2.4.4 二维卷积和图像响应69 2.4.5 卷积的计算70 2.5 数学优化基础71 2.5.1 *小值和梯度下降72 2.5.2 冲量（Momentum）73 2.5.3 牛顿法75 2.5.4 学习率和自适应步长77 2.5.5 学习率衰减（Learning Rate Decay）78 2.5.6 AdaGrad：每个变量有自己的节奏78 2.5.7 AdaDelta的进一步改进79 2.5.8 其他自适应算法80 2.5.9 损失函数81 2.5.10 分类问题和负对数似然82 2.5.11 逻辑回归83 2.5.12 Softmax：将输出转换为概率84 2.5.13 链式求导法则84 第3章 神经网络和机器学习基础87 3.1 感知机87 3.1.1 基本概念87 3.1.2 感知机和线性二分类87 3.1.3 激活函数88 3.2 神经网络基础89 3.2.1 从感知机到神经网络89 3.2.2 *简单的神经网络二分类例子90 3.2.3 隐层神经元数量的作用93 3.2.4 更加复杂的样本和更复杂的神经网络94 3.3 后向传播算法95 3.3.1 求神经网络参数的梯度95 3.3.2 计算图（Computational Graph）95 3.3.3 利用后向传播算法计算一个神经网络参数的梯度97 3.3.4 梯度消失99 3.3.5 修正线性单元（ReLU）100 3.3.6 梯度爆炸101 3.3.7 梯度检查（gradient check）102 3.3.8 从信息传播的角度看后向传播算法103 3.4 随机梯度下降和批量梯度下降104 3.4.1 全量数据（full-batch）梯度下降104 3.4.2 随机梯度下降（SGD）和小批量数据（mini-batch）104 3.4.3 数据均衡和数据增加（data augmentation）106 3.5 数据、训练策略和规范化108 3.5.1 欠拟合和过拟合108 3.5.2 训练误差和测试误差109 3.5.3 奥卡姆剃刀没有免费午餐111 3.5.4 数据集划分和提前停止112 3.5.5 病态问题和约束113 3.5.6 L2规范化（L2 Regularization）113 3.5.7 L1规范化（L1 Regularization）114 3.5.8 集成（Ensemble）和随机失活（Dropout）115 3.6 监督学习、非监督学习、半监督学习和强化学习117 3.6.1 监督学习、非监督学习和半监督学习117 3.6.2 强化学习（reinforcement learning）118 第4章 深度卷积神经网络120 4.1 卷积神经网络120 4.1.1 基本概念120 4.1.2 卷积层和特征响应图121 4.1.3 参数共享123 4.1.4 稀疏连接124 4.1.5 多通道卷积125 4.1.6 激活函数125 4.1.7 池化、不变性和感受野126 4.1.8 分布式表征（Distributed Representation）128 4.1.9 分布式表征和局部泛化130 4.1.10 分层表达131 4.1.11 卷积神经网络结构131 4.2 LeNet——*一个卷积神经网络132 4.3 新起点——AlexNet133 4.3.1 网络结构133 4.3.2 局部响应归一化（Local Response Normalization，LRN）136 4.4 更深的网络——GoogLeNet136 4.4.1 1×1卷积和Network In Network136 4.4.2 Inception结构138 4.4.3 网络结构138 4.4.4 批规一化（Batch Normalization，BN）140 4.5 更深的网络——ResNet142 4.5.1 困难的深层网络训练：退化问题142 4.5.2 残差单元142 4.5.3 深度残差网络144 4.5.4 从集成的角度看待ResNet144 4.5.5 结构更复杂的网络146 *2篇 实例精讲 第5章 Python基础148 5.1 Python简介148 5.1.1 Python简史148 5.1.2 安装和使用Python149 5.2 Python基本语法150 5.2.1 基本数据类型和运算150 5.2.2 容器153 5.2.3 分支和循环156 5.2.4 函数、生成器和类159 5.2.5 map、reduce和filter162 5.2.6 列表生成（list comprehension）163 5.2.7 字符串163 5.2.8 文件操作和pickle164 5.2.9 异常165 5.2.10 多进程（multiprocessing）165 5.2.11 os模块166 5.3 Python的科学计算包——NumPy167 5.3.1 基本类型（array）167 5.3.2 线性代数模块（linalg）172 5.3.3 随机模块（random）173 5.4 Python的可视化包——matplotlib175 5.4.1 2D图表175 5.4.2 3D图表178 5.4.3 图像显示180 第6章 OpenCV基础182 6.1 OpenCV简介182 6.1.1 OpenCV的结 |
