- 深度学习(主流框架和编程实战)/智能系统与技术丛书
- - 作者：编者:赵涓涓//强彦
  - 出版社：机械工业
  - ISBN：9787111592396
  - 出版日期：2018/04/01
  - 页数：213
- 售价：23.6

内容大纲
    赵涓涓、强彦主编的《深度学习(主流框架和编程实战)》对深度学习四大框架进行了详细介绍，主要适用于对深度学习感兴趣的读者，包括高校的师生以及工业界的专业人员。
    全书内容可分为绪论、四大框架、迁移学习，以及并行计算与交叉验证。
    第1章从深度学习与机器学习的关系、深度学习与统计学的关系、深度学习框架、深度学习中涉及的优化方法以及对深度学习展望五个方面出发，从理论上对深度学习进行全面深刻的剖析，旨在为接下的章节内容提供理论铺垫与指导。
    第2章详细介绍TensorFlow，主要包括TensorFlow的运作原理、模型构建和框架安装。在介绍完TensorFlow之后，又介绍了该框架下的具体网络的实现以及详细代码。
    第3章将从理论与实战两方面出发讨论Caffe深度学习网络框架的发展、结构以及具体的搭建过程，最后以在Caffe深度学习框架下构建全卷积神经网络（FCN），并用该网络进行图像语义分割为实战示例，对该实验过程进行详细描述与分析并给出具体的代码。
    第4章主要分三部分介绍Torch深度学习框架。第一部分首先介绍Torch深度学习框架的基础知识，然后介绍了Torch深度学习框架中使用的主要语言Lua；第二音B分介绍Torch框架的安装过程；第三部分以一个具体的目标检测实例为出发点，首先介绍Torch的类和包的用法，接着介绍构建神经网络的过程，最后介绍Faster R-CNN的方法和实例。
    第5章对MXNet框架进行详细介绍，包括MXNet的基本概念、特点、安装过程等，最后用自然语言处理的实例来进一步展示MXNet在深度学习方面的应用。
    第6章介绍迁移学习的发展、类型与模型，以及迁移学习实例。
    第7章将在深度学习的背景下分别对并行计算和交叉验证这两种方法进行详细介绍。
作者介绍
目录
前言
第1章  绪论
  1.1 机器学习与深度学习
    1.1.1 机器学习与深度学习的关系
    1.1.2 传统机器学习与深度学习的对比
  1.2 统计学与深度学习
    1.2.1 统计学与深度学习的关系
    1.2.2 基于统计的深度学习技术
  1.3 本书涉及的深度学习框架
  1.4 优化深度学习的方法
  1.5 深度学习展望
第2章  TensorFlow深度学习框架构建方法与图像分类的实现
  2.1 TensorFlow概述
    2.1.1 TensorFlow的特点
    2.1.2 TensorFlow中的模型
  2.2 TensorFlow框架安装
    2.2.1 基于Anaconda的安装
    2.2.2 测试TensorFlow
  2.3 基于TensorFlow框架的图像分类实现（ResNet-34）
    2.3.1 应用背景
    2.3.2 ResNet
    2.3.3 ResNet程序实现
    2.3.4 详细代码解析
    2.3.5 实验结果及分析
第3章  Caffe深度学习框架搭建与图像语义分割的实现
  3.1 Caffe概述
    3.1.1 Caffe的特点
    3.1.2 Caffe框架结构
  3.2 Caffe框架安装与调试
  3.3 基于Caffe框架的图像分割实现（FCN）
    3.3.1 用Caffe构建卷积神经网络
    3.3.2 FCN-8s网络简介
    3.3.3 详细代码解读
    3.3.4 实验结果与结论
第4章  Torch深度学习框架搭建与目标检测的实现
  4.1 Torch概述
    4.1.1 Torch的特点
    4.1.2 Lua语言
  4.2 Torch框架安装
  4.3 基于Torch框架的目标检测实现（Faster R-CNN）
    4.3.1 Torch的类和包的基本用法
    4.3.2 用Torch构建神经网络
    4.3.3 Faster R-CNN介绍
    4.3.4 Faster R-CNN实例
    4.3.5 实验结果分析
第5章  MXNet深度学习框架构建与自然语言处理的实现
  5.1 MXNet概述
    5.1.1 MXNet基础知识
    5.1.2 编程接口
    5.1.3 系统实现

    5.1.4 MXNet的关键特性
  5.2 MXNet框架安装
  5.3 基于MXNet框架的自然语言处理实现（LSTM）
    5.3.1 自然语言处理应用背景
    5.3.2 RNN及LSTM网络
    5.3.3 Bucketing及不同长度的序列训练
    5.3.4 详细代码实现
    5.3.5 实验过程及实验结果分析
第6章  迁移学习
  6.1 迁移学习发展概述
  6.2 迁移学习的类型与模型
    6.2.1 冻结源模型与微调源模型
    6.2.2 神经网络迁移学习模型与分类器迁移学习模型
  6.3 迁移学习方法实例指导
    6.3.1 迁移学习应用示例
    6.3.2 实验结论
第7章  并行计算与交叉验证
  7.1 并行计算
    7.1.1 数据并行框架
    7.1.2 模型并行框架
    7.1.3 数据并行与模型并行的混合架构
  7.2 交叉验证
    7.2.1 留出法
    7.2.2 K折交叉验证
    7.2.3 留一交叉验证
参考文献

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目