- 深度学习技术与应用/人工智能技术与应用丛书
- - 作者：编者:许桂秋//余洋//周宝玲|责编:张晓芬
  - 出版社：人民邮电
  - ISBN：9787115611406
  - 出版日期：2023/07/01
  - 页数：213
- 售价：27.92

内容大纲
    本书旨在介绍人工智能中深度学习的基础知识，为即将进入深度学习领域进行研究的读者奠定基础。全书共13章，其中，第1～4章为理论部分，第5～13章为应用部分。理论部分介绍了机器学习和深度学习的基本内容，以及TensorFlow开发框架的搭建和使用；应用部分设置了多个项目案例，并介绍了这些案例详细的实现步骤和代码，使读者在练习中熟悉和掌握相关知识的应用方法与技巧。
    本书采用项目驱动的编写方式，做到了理论和实践的结合。每个项目案例都提供配套的数据源文件和源代码文件，使读者可以直接感受案例效果。读者也可以在相关案例代码的基础上调整相关参数，得到不一样的结果，以加深理解。
    本书适合作为高等院校的人工智能课程教材，也可作为人工智能相关培训的教材。
作者介绍
目录
第1章  绪论
  1.1  人工智能
    1.1.1  人工智能简介
    1.1.2  人工智能三大学派
  1.2  机器学习
    1.2.1  机器学习简介
    1.2.2  机器学习分类
  1.3  浅层学习和深度学习
    1.3.1  浅层学习
    1.3.2  深度学习
  1.4  本章小结
第2章  深度学习基础
  2.1  深层神经网络简介
    2.1.1  神经元模型
    2.1.2  单层神经网络
    2.1.3  深层神经网络
    2.1.4  深层神经网络节点
    2.1.5  深层神经网络参数
    2.1.6  节点输出值的计算方式
  2.2  机器学习模型的评估方法
  2.3  深层神经网络的训练与优化
    2.3.1  深层神经网络的训练
    2.3.2  深层神经网络的优化
  2.4  本章小结
第3章  搭建深度学习框架
  3.1  常见的深度学习框架
    3.1.1  TensorFlow
    3.1.2  Caffe
    3.1.3  Keras
    3.1.4  Torch
    3.1.5  MXNet
    3.1.6  CNTK
  3.2  安装 TensorFlow
    3.2.1  安装准备
    3.2.2  在Python环境中安装TensorFlow
    3.2.3  TensorFlow的使用
  3.3  TensorFlow Playground
    3.3.1  菜单选项
    3.3.2  DATA区域
    3.3.3  FEATURES区域
    3.3.4  HIDDEN LAYERS区域
    3.3.5  OUTPUT区域
  3.4  Keras的核心组件
    3.4.1  Models API
    3.4.2  Layers API
    3.4.3  Callbacks API
    3.4.4  Data preprocessing
    3.4.5  Metrics
  3.5  使用 TensorFlow实现神经网络
  3.6  本章小结

第4章  TensorFlow编程基础
  4.1  计算图与张量
    4.1.1  初识计算图与张量
    4.1.2  TensorFlow的计算模型--计算图
    4.1.3  TensorFlow的数据模型--张量
  4.2  TensorFlow的运行模型--会话
    4.2.1  TensorFlow系统结构
    4.2.2  会话的使用
    4.2.3  会话的配置
    4.2.4  占位符的使用
  4.3  TensorFlow变量
    4.3.1  变量的创建
    4.3.2  变量与张量
    4.3.3  管理变量空间
  4.4  识别图像中模糊的手写数字
  4.5  本章小结
第5章  使用Keras搭建多层感知机识别MNIST数据集
  5.1  构建项目
  5.2  下载和预处理MNIST数据集
    5.2.1  下载数据集
    5.2.2  预处理数据集
  5.3  搭建并训练多层感知机
    5.3.1  搭建模型
    5.3.2  训练模型
  5.4  改进模型
    5.4.1  搭建模型
    5.4.2  训练模型
  5.5  评估训练结果
    5.5.1  评估模型准确率
    5.5.2  使用模型进行预测
    5.5.3  建立混淆矩阵
  5.6  本章小结
第6章  优化多层感知机
  6.1  构建项目
  6.2  搭建带有隐藏层的模型
  6.3  误差与过拟合问题
    6.3.1  训练误差与泛化误差
    6.3.2  过拟合问题
  6.4  过拟合的处理方法
    6.4.1  增加隐藏层神经元
    6.4.2  加入Dropout机制
    6.4.3  增加隐藏层
  6.5  保存模型
    6.5.1  将模型保存为JSON格式文件
    6.5.2  保存模型权重
  6.6  本章小结
第7章  项目1：识别 Fashion MNIST数据集
  7.1  卷积神经网络简介
  7.2  LeNet-5卷积模型
  7.3  Fashion MNIST数据集

    7.3.1  Fashion MNIST数据集简介
    7.3.2  下载Fashion MNIST数据集
    7.3.3  查看数据
  7.4  搭建 LeNet-5卷积模型并识别Fashion MNIST数据集
    7.4.1  预处理数据
    7.4.2  搭建LeNet-5卷积模型
    7.4.3  训练与评估LeNet-5卷积模型
    7.4.4  识别过程的可视化展示
  7.5  改进LeNet-5卷积模型
    7.5.1  预处理数据
    7.5.2  改进LeNet-5卷积模型
    7.5.3  训练和评估改进后的LeNet-5卷积模型
    7.5.4  预测测试集
    7.5.5  保存改进后的LeNet-5卷积模型
  7.6  预测自然测试集
    7.6.1  预处理图像
    7.6.2  预测结果
  7.7  本章小结
第8章  项目2：识别CIFAR-10数据集
  8.1  准备工作
  8.2  下载和查看数据集
    8.2.1  下载数据集
    8.2.2  查看训练数据
  8.3  搭建模型识别CIFAR-10数据集
    8.3.1  预处理数据集
    8.3.2  搭建模型
    8.3.3  训练模型
    8.3.4  测试模型
  8.4  加深模型的网络结构
  8.5  本章小结
第9章  项目3：识别猫狗图像
  9.1  准备工作
  9.2  预处理数据集
    9.2.1  下载和存储数据集
    9.2.2  处理数据
    9.2.3  读取和预处理数据
  9.3  搭建模型识别猫狗图像
    9.3.1  搭建并训练模型
    9.3.2  利用数据扩充法解决过拟合问题
  9.4  本章小结
第10章  项目4：识别人脸表情
  10.1  准备数据
  10.2  构建模型
  10.3  训练模型
  10.4  测试和评估模型
  10.5  本章小结
第11章  构建生成对抗网络生成MNIST模拟数据集
  11.1  生成对抗网络概述
  11.2  生成对抗网络的种类
    11.2.1  DCGAN

    11.2.2  InfoGAN
    11.2.3  AEGAN
    11.2.4  SRGAN
  11.3  使用InfoGAN生成MNIST模拟数据集
  11.4  本章小结
第12章  项目5：使用SRGAN实现Flowers数据集的超分辨率修复
  12.1  准备数据
  12.2  构建模型
    12.2.1  构建生成器
    12.2.2  VGG的预输入处理
    12.2.3  计算VGG特征空间的损失值
    12.2.4  构建判别器
    12.2.5  计算损失值，定义优化器
    12.2.6  指定预训练模型路径
  12.3  训练模型
  12.4  本章小结

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目