书籍详情
深度学习算法与实践
作者：郝晓莉，王昌利，侯亚丽，景辉
出版社：清华大学出版社
出版时间：2023-11-01
ISBN：9787302642688
定价：¥59.00
内容简介
本书是一本深度学习从入门、算法到应用实践的书籍。全书共9章，第1章介绍深度学习基础，主要介绍基本概念和基本算法；第2章介绍深度学习的计算平台，主要介绍深度神经网络计算芯片TPU的架构原理；第3章介绍深度学习编程环境和操作基础，引导零基础读者快速入门Linux操作系统、Python编程语言、TensorFlow和PyTorch深度学习框架，为实现深度学习算法开发及应用部署奠定基础；第4～8章基于卷积神经网络，分别聚焦计算机视觉领域的几大经典任务，包括图像的分类、目标检测、语义分割、实例分割、人脸检测与识别等；第9章介绍循环神经网络，关注时序序列处理任务。本书每章讲解一系列经典神经网络的创新性思路，给出了详细的模型结构解析，并提供了具体的实践项目。从代码解析、网络训练、网络推理到模型部署，带领读者从理论一步步走向实践。本书既可作为高等学校深度学习相关课程的教材，也可作为从事人工智能应用系统开发的科研和技术人员参考用书。
作者简介
暂缺《深度学习算法与实践》作者简介
目录
第1章 深度学习基础
1.1 人工智能概述
1.1.1 人工智能在各领域中的应用
1.1.2 人工智能、机器学习和深度学习
1.2 深度学习的基本原理
1.2.1 神经元
1.2.2 人工神经网络
1.2.3 反向传播算法
1.2.4 神经网络的数据结构——张量
1.3 卷积神经网络
1.3.1 卷积层
1.3.2 池化层
1.3.3 归一化层
1.3.4 全连接层
1.3.5 Softmax函数
1.3.6 损失函数
1.3.7 卷积神经网络的特点
1.3.8 卷积神经网络的发展
1.4 迁移学习
1.5 模型训练超参数
1.6 深度学习在计算机视觉中的典型应用
1.7 数据集
1.7.1 数据集的划分
1.7.2 数据集的预处理
1.7.3 数据集的标注
1.7.4 常用数据集
1.8 深度学习框架
1.9 深度学习的计算特点
第2章 深度学习的计算平台
2.1 神经网络计算加速芯片
2.1.1 神经网络的计算特点
2.1.2 神经网络的计算芯片
2.2 TPU架构与原理
2.2.1 谷歌TPU架构与原理
2.2.2 算能TPU架构与原理
2.3 算能TPU硬件架构及产品形态
2.3.1 算能TPU的芯片硬件架构
2.3.2 算能TPU的产品形态
2.4 算能TPU软件架构
2.4.1 实时视频流处理方案
2.4.2 深度学习软件开发工具包
2.4.3 离线模型转换
2.4.4 在线模型推理
2.4.5 自定义算子
2.4.6 模型量化加速
2.4.7 接口编程库
第3章 深度学习编程环境操作基础
3.1 Linux入门
3.1.1 Linux系统的安装简介
3.1.2 Linux系统的常用命令
3.1.3 Linux的文本编辑器
3.2 Python入门
3.2.1 Python环境的安装和使用
3.2.2 PyCharm集成开发环境的安装和使用
3.2.3 常用Python库
3.2.4 Python虚拟环境
3.3 TensorFlow入门
3.3.1 TensorFlow的安装
3.3.2 TensorFlow的基本操作
3.3.3 使用TensorFlow实现手写数字识别
3.4 PyTorch入门
3.4.1 PyTorch的安装
3.4.2 PyTorch的基本操作
3.4.3 使用PyTorch实现手写数字识别
3.5 SE5平台开发环境
3.5.1 SE5应用系统开发的硬件环境
3.5.2 SE5应用系统开发的软件环境
第4章 图像分类
4.1 图像分类任务介绍
4.2 典型分类网络解析
4.2.1 LeNet-5手写数字识别神经网络
4.2.2 AlexNet图像分类网络
4.2.3 VGGNet图像分类网络
4.2.4 GoogLeNet图像分类网络
4.2.5 ResNet残差图像分类网络
4.2.6 DenseNet密集连接卷积网络
4.2.7 SENet压缩-激励图像分类网络
4.3 实践项目一：基于LeNet-5神经网络的手写数字识别
4.3.1 实践项目内容
4.3.2 微调的LeNet-5网络结构
4.3.3 TensorFlow 2.x框架下程序实现
4.3.4 LeNet-5模型训练和测试过程
4.3.5 LeNet-5网络模型在SE5上的部署
4.4 实践项目二：基于ResNet神经网络的猫狗分类
4.4.1 实践项目内容
4.4.2 Dogs vs. Cats数据集简介
4.4.3 ResNet18网络结构
4.4.4 PyTorch框架下程序实现
4.4.5 ResNet18模型训练和测试过程
4.4.6 ResNet18网络模型在SE5上的部署
第5章 目标检测
5.1 目标检测任务介绍
5.1.1 目标检测任务
5.1.2 预备知识
5.1.3 评估准则
5.2 两阶段目标俭测算法
5.2.1 R-CNN
5.2.2 Fast R-CNN
5.2.3 Faster R-CNN
5.3 单阶段目标检测算法
5.3.1 YOLOv1
5.3.2 YOLOv2
5.3.3 YOLOv3
5.3.4 YOLOv4
5.3.5 YOLOv5
5.3.6 FCOS
5.3.7 DETR
5.4 实践项目：基于YOLOv5s的目标检测
5.4.1 实践项目内容
5.4.2 YOLOv5s网络结构
5.4.3 PyTorch框架下程序实现
5.4.4 YOLOv5s网络模型训练和测试过程
5.4.5 YOLOv5s网络模型在SE5上的部署
第6章 语义分割
6.1 语义分割任务介绍
6.1.1 语义分割任务
6.1.2 预备知识
6.1.3 评估准则
6.2 典型语义分割网络
6.2.1 FCN
6.2.2 U-Net
6.2.3 SegNet
6.2.4 PSPNet
6.2.5 ICNet
6.2.6 DeepLab系列
6.3 实践项目：基于ICNet的语义分割
6.3.1 实践项目内容
6.3.2 数据集
6.3.3 ICNet网络结构
6.3.4 TensorFlow框架下程序实现
6.3.5 ICNet网络模型训练和测试过程
6.3.6 ICNet网络模型在SE5上的部署
第7章 实例分割
7.1 实例分割任务介绍
7.1.1 实例分割任务
7.1.2 评估准则
7.2 典型实例分割网络
7.2.1 Mask R-CNN
7.2.2 YOLACT与YOLACT++
7.2.3 SOLO和SOLOv2
7.3 实践项目：基于Mask R-CNN的实例分割
7.3.1 实践项目内容
7.3.2 Mask R-CNN网络结构
7.3.3
1.1 人工智能概述
1.1.1 人工智能在各领域中的应用
1.1.2 人工智能、机器学习和深度学习
1.2 深度学习的基本原理
1.2.1 神经元
1.2.2 人工神经网络
1.2.3 反向传播算法
1.2.4 神经网络的数据结构——张量
1.3 卷积神经网络
1.3.1 卷积层
1.3.2 池化层
1.3.3 归一化层
1.3.4 全连接层
1.3.5 Softmax函数
1.3.6 损失函数
1.3.7 卷积神经网络的特点
1.3.8 卷积神经网络的发展
1.4 迁移学习
1.5 模型训练超参数
1.6 深度学习在计算机视觉中的典型应用
1.7 数据集
1.7.1 数据集的划分
1.7.2 数据集的预处理
1.7.3 数据集的标注
1.7.4 常用数据集
1.8 深度学习框架
1.9 深度学习的计算特点
第2章 深度学习的计算平台
2.1 神经网络计算加速芯片
2.1.1 神经网络的计算特点
2.1.2 神经网络的计算芯片
2.2 TPU架构与原理
2.2.1 谷歌TPU架构与原理
2.2.2 算能TPU架构与原理
2.3 算能TPU硬件架构及产品形态
2.3.1 算能TPU的芯片硬件架构
2.3.2 算能TPU的产品形态
2.4 算能TPU软件架构
2.4.1 实时视频流处理方案
2.4.2 深度学习软件开发工具包
2.4.3 离线模型转换
2.4.4 在线模型推理
2.4.5 自定义算子
2.4.6 模型量化加速
2.4.7 接口编程库
第3章 深度学习编程环境操作基础
3.1 Linux入门
3.1.1 Linux系统的安装简介
3.1.2 Linux系统的常用命令
3.1.3 Linux的文本编辑器
3.2 Python入门
3.2.1 Python环境的安装和使用
3.2.2 PyCharm集成开发环境的安装和使用
3.2.3 常用Python库
3.2.4 Python虚拟环境
3.3 TensorFlow入门
3.3.1 TensorFlow的安装
3.3.2 TensorFlow的基本操作
3.3.3 使用TensorFlow实现手写数字识别
3.4 PyTorch入门
3.4.1 PyTorch的安装
3.4.2 PyTorch的基本操作
3.4.3 使用PyTorch实现手写数字识别
3.5 SE5平台开发环境
3.5.1 SE5应用系统开发的硬件环境
3.5.2 SE5应用系统开发的软件环境
第4章 图像分类
4.1 图像分类任务介绍
4.2 典型分类网络解析
4.2.1 LeNet-5手写数字识别神经网络
4.2.2 AlexNet图像分类网络
4.2.3 VGGNet图像分类网络
4.2.4 GoogLeNet图像分类网络
4.2.5 ResNet残差图像分类网络
4.2.6 DenseNet密集连接卷积网络
4.2.7 SENet压缩-激励图像分类网络
4.3 实践项目一：基于LeNet-5神经网络的手写数字识别
4.3.1 实践项目内容
4.3.2 微调的LeNet-5网络结构
4.3.3 TensorFlow 2.x框架下程序实现
4.3.4 LeNet-5模型训练和测试过程
4.3.5 LeNet-5网络模型在SE5上的部署
4.4 实践项目二：基于ResNet神经网络的猫狗分类
4.4.1 实践项目内容
4.4.2 Dogs vs. Cats数据集简介
4.4.3 ResNet18网络结构
4.4.4 PyTorch框架下程序实现
4.4.5 ResNet18模型训练和测试过程
4.4.6 ResNet18网络模型在SE5上的部署
第5章 目标检测
5.1 目标检测任务介绍
5.1.1 目标检测任务
5.1.2 预备知识
5.1.3 评估准则
5.2 两阶段目标俭测算法
5.2.1 R-CNN
5.2.2 Fast R-CNN
5.2.3 Faster R-CNN
5.3 单阶段目标检测算法
5.3.1 YOLOv1
5.3.2 YOLOv2
5.3.3 YOLOv3
5.3.4 YOLOv4
5.3.5 YOLOv5
5.3.6 FCOS
5.3.7 DETR
5.4 实践项目：基于YOLOv5s的目标检测
5.4.1 实践项目内容
5.4.2 YOLOv5s网络结构
5.4.3 PyTorch框架下程序实现
5.4.4 YOLOv5s网络模型训练和测试过程
5.4.5 YOLOv5s网络模型在SE5上的部署
第6章 语义分割
6.1 语义分割任务介绍
6.1.1 语义分割任务
6.1.2 预备知识
6.1.3 评估准则
6.2 典型语义分割网络
6.2.1 FCN
6.2.2 U-Net
6.2.3 SegNet
6.2.4 PSPNet
6.2.5 ICNet
6.2.6 DeepLab系列
6.3 实践项目：基于ICNet的语义分割
6.3.1 实践项目内容
6.3.2 数据集
6.3.3 ICNet网络结构
6.3.4 TensorFlow框架下程序实现
6.3.5 ICNet网络模型训练和测试过程
6.3.6 ICNet网络模型在SE5上的部署
第7章 实例分割
7.1 实例分割任务介绍
7.1.1 实例分割任务
7.1.2 评估准则
7.2 典型实例分割网络
7.2.1 Mask R-CNN
7.2.2 YOLACT与YOLACT++
7.2.3 SOLO和SOLOv2
7.3 实践项目：基于Mask R-CNN的实例分割
7.3.1 实践项目内容
7.3.2 Mask R-CNN网络结构
7.3.3
猜您喜欢
