- 作 者：唐进民编著
- 出 版 社：北京：电子工业出版社
- 出版年份：2018
- ISBN：9787121341441
- 注意：在使用云解压之前，请认真核对实际PDF页数与内容!
在线云解压
价格(点数)
购买连接
说明
转为PDF格式
10
（在线云解压服务）
云解压服务说明
1、本站所有的云解压默认都是转为PDF格式，该格式图书只能阅读和打印，不能再次编辑。
云解压下载及付费说明
1、所有的电子图书云解压均转换为PDF格式，支持电脑、手机、平板等各类电子设备阅读；可以任意拷贝文件到不同的阅读设备里进行阅读。
2、云解压在提交订单后一般半小时内处理完成,最晚48小时内处理完成。(非工作日购买会延迟)
第1章 浅谈人工智能、神经网络和计算机视觉 1
1.1人工还是智能 1
1.2人工智能的三起两落 2
1.2.1两起两落 2
1.2.2卷土重来 3
1.3神经网络简史 5
1.3.1生物神经网络和人工神经网络 5
1.3.2 M-P模型 6
1.3.3感知机的诞生 9
1.3.4你好，深度学习 10
1.4计算机视觉 11
1.5深度学习+ 12
1.5.1图片分类 12
1.5.2图像的目标识别和语义分割 13
1.5.3自动驾驶 13
1.5.4图像风格迁移 14
第2章 相关的数学知识 15
2.1矩阵运算入门 15
2.1.1标量、向量、矩阵和张量 15
2.1.2矩阵的转置 17
2.1.3矩阵的基本运算 18
2.2导数求解 22
2.2.1一阶导数的几何意义 23
2.2.2初等函数的求导公式 24
2.2.3初等函数的和、差、积、商求导 26
2.2.4复合函数的链式法则 27
第3章 深度神经网络基础 29
3.1监督学习和无监督学习 29
3.1.1监督学习 30
3.1.2无监督学习 32
3.1.3小结 33
3.2欠拟合和过拟合 34
3.2.1欠拟合 34
3.2.2过拟合 35
3.3后向传播 36
3.4损失和优化 38
3.4.1损失函数 38
3.4.2优化函数 39
3.5激活函数 42
3.5.1 Sigmoid 44
3.5.2 tanh 45
3.5.3 ReLU 46
3.6本地深度学习工作站 47
3.6.1 GPU和CPU 47
3.6.2配置建议 49
第4章 卷积神经网络 51
4.1卷积神经网络基础 51
4.1.1卷积层 51
4.1.2池化层 54
4.1.3全连接层 56
4.2 LeNet模型 57
4.3 AlexNet模型 59
4.4 VGGNet模型 61
4.5 GoogleNet 65
4.6 ResNet 69
第5章 Python基础 72
5.1 Python简介 72
5.2 Jupyter Notebook 73
5.2.1 Anaconda的安装与使用 73
5.2.2环境管理 76
5.2.3环境包管理 77
5.2.4 Jupyter Notebook的安装 79
5.2.5 Jupyter Notebook的使用 80
5.2.6 Jupyter Notebook常用的快捷键 86
5.3 Python入门 88
5.3.1 Python的基本语法 88
5.3.2 Python变量 92
5.3.3常用的数据类型 94
5.3.4 Python运算 99
5.3.5 Python条件判断语句 107
5.3.6 Python循环语句 109
5.3.7 Python中的函数 113
5.3.8 Python中的类 116
5.4 Python中的NumPy 119
5.4.1 NumPy的安装 119
5.4.2多维数组 119
5.4.3多维数组的基本操作 125
5.5 Python中的Matplotlib 133
5.5.1 Matplotlib的安装 133
5.5.2创建图 133
第6章 PyTorch基础 142
6.1 PyTorch中的Tensor 142
6.1.1 Tensor的数据类型 143
6.1.2 Tensor的运算 146
6.1.3搭建一个简易神经网络 153
6.2自动梯度 156
6.2.1 torch.autograd和Variable 156
6.2.2自定义传播函数 159
6.3模型搭建和参数优化 162
6.3.1 PyTorch之torch.nn 162
6.3.2 PyTorch之torch.optim 167
6.4实战手写数字识别 169
6.4.1 torch和torchvision 170
6.4.2 PyTorch之torch.transforms 171
6.4.3数据预览和数据装载 173
6.4.4模型搭建和参数优化 174
第7章 迁移学习 180
7.1迁移学习入门 180
7.2数据集处理 181
7.2.1验证数据集和测试数据集 182
7.2.2数据预览 182
7.3模型搭建和参数优化 185
7.3.1自定义VGGNet 185
7.3.2迁移VGG16 196
7.3.3迁移ResNet50 203
7.4小结 219
第8章 图像风格迁移实战 220
8.1风格迁移入门 220
8.2 PyTorch图像风格迁移实战 222
8.2.1图像的内容损失 222
8.2.2图像的风格损失 223
8.2.3模型搭建和参数优化 224
8.2.4训练新定义的卷积神经网络 226
8.3小结 232
第9章 多模型融合 233
9.1多模型融合入门 233
9.1.1结果多数表决 234
9.1.2结果直接平均 236
9.1.3结果加权平均 237
9.2 PyTorch之多模型融合实战 239
9.3小结 246
第10章 循环神经网络 247
10.1循环神经网络入门 247
10.2 PyTorch之循环神经网络实战 249
10.3小结 257
第11章 自动编码器 258
11.1自动编码器入门 258
11.2 PyTorch之自动编码实战 259
11.2.1通过线性变换实现自动编码器模型 260
11.2.2通过卷积变换实现自动编码器模型 267
11.3小结 273