深度学习理论及实战

  • 书籍语言:简体中文
  • 下载次数:4528
  • 书籍类型:Epub+Txt+pdf+mobi
  • 创建日期:2025-05-02 09:10:03
  • 发布日期:2025-09-06
  • 连载状态:全集
  • 书籍作者:赵小川
  • ISBN:9787302681847
  • 运行环境:pc/安卓/iPhone/iPad/Kindle/平板

内容简介

《深度学习理论及实战(MATLAB版·第2版)》主要介绍深度学习理论及实战,共5章,内容包括机器学习、人工神经网络、卷积神经网络、MATLAB深度学习工具箱和应用案例。在介绍基础理论方面,本书深入浅出、语言生动、通俗易懂;在介绍应用实例时,本书贴近实际,步骤翔实,举一反三。本书对数十个例程进行了深入的讲解,并对代码进行了详细的注解。

《深度学习理论及实战(MATLAB版·第2版)》可作为人工智能、电子信息、计算机科学相关专业的本科生,研究生的教材,也可作为本科毕业设计、研究生学术论文的参考资料,还可作为相关工程技术人员的参考资料。


下载地址

序言

自《深度学习理论及实战》(MATLAB版)出版至今已有3年多的时间,感谢读者朋友们的厚爱,先后4次加印,并有多所高校将其作为教材; 同时,也非常感谢读者朋友们的宝贵建议。


“五一”假期,我对本书内容进行了完善,主要包括: 以“扩展阅读”方式增加了人工智能领域的最新进展; 以“经验分享”方式增加了笔者在科研、教学中的心得体会; 将本书的例程在MATLAB(2023b)软件中进行了运行; 增加了YOLO系列的目标检测原理与应用等最新的案例分析。


【配套资源】


本书提供程序代码、教学课件等配套资源,可以在清华大学出版社官方网站本书页面下载,或者扫描封底的“书圈”二维码在公众号下载。


感谢中国高校产学研创新基金项目(2021JQR027)的支持; 感谢“兵器基础性创新团队”、武警工程大学“高层次科技人才引进计划”和“陕西省高校青年创新团队”的支持。


感谢李陈研究员、马燕琳博士、何灏博士在撰写本书过程中所做的贡献; 感谢智能控制创新团队的每一位科研人员。


谨以此书献给为梦想而努力奋斗的青年朋友们!



赵小川

2024年11月20日于北京












15年的学习研究,2年的策划准备,100天的精心撰写,《深度学习理论及实战》(MATLAB版)一书今日付梓,感触颇多。本书是关于人工智能领域“深度学习”理论与技术的著作,谈及本书的特色及心路历程,不妨用几个与“度”有关的关键词来述说。


关键词一: “深度”



近年来,以深度学习为代表的人工智能技术发展得如火如荼,正在改变着人们生活的方方面面。与传统的机器学习相比,深度学习的理论更深、技术更难。本书力图做到深入浅出,尽量用通俗易懂的语言、实用生动的案例把理论与方法讲清楚、说明白。


关键词二: “角度”



“深度卷积神经网络”是模仿大脑工作机理的一种智能系统,本书以“系统角度”→“数学角度”→“仿生角度”为主线,对相关知识进行讲解。值得一提的是,本书从“文化角度”增加了一些中国元素,如: 从《荀子·正名》对“智、能”的解读讲到对人工智能的理解; 以我们学习汉语的过程来说明卷积神经网络的自动提取特征、抽象语义的过程; 以相似的汉字结构变化来类比深度学习中的迁移学习; 以中医针灸来类比激活函数……


关键词三: “温度”



撰写带有“温度”的书一直是我所追求的,即使是科技类的书,也不应该是“冰冷”的。因此,在本书中,添加了 “温馨提示” “经验分享”“心得分享”等版块; 在本书讲解的30个程序中,对每个程序都做了详细的注释,并且对操作中可能存在的问题也一一进行了提示。


关键词四: “态度”



通过这本书,我想传递两个态度。一是“授人以渔”。本书更加注重对方法、过程的讲解,希望读者在实际应用中能够触类旁通、举一反三; 同时还增加了一些“编程体验”的环节,希望读者在动手实践的过程中增加对书中知识的体验。二是“持续学习”。如今,科技与社会迅速发展,持续学习已成为一项重要的能力和素质,本书中的很多内容也是我持续学习的结果。我的包里总会放一本书,地铁上、高铁上、会议前,只要你想学,时间总会有的; 同时,为了写好本书,我还认真地学习了国内外的多个相关课程。


关键词五: “适度”



宋玉曾言“东家之子,增之一分则太长,减之一分则太短”。此实为本书力求的理想之态——格局内蕴,属意“适度”。然而,任何一本书都有它的局限性,本书也不例外,希望读者在读此书时,多多思考,多多交流,对于本书有待提高之处提出适度的建议。


今天是2020年的母亲节,也以此书献给天下的母亲,尤其是我的家人!



赵小川2020年5月10日于北京


目录

第1章从“机器学习”讲起


1.1走近“机器学习”


1.1.1什么是“机器学习”


1.1.2机器学习的主要任务


1.1.3机器学习的分类


1.1.4什么是“深度学习”


1.1.5机器学习的应用举例


经验分享: 对“智能”的理解


扩展阅读: “人工智能”的发展


扩展阅读: “人工智能”的最新发展——生成式AI大模型


1.2解读“机器学习的过程”


1.2.1机器学习的过程


1.2.2机器学习中的数据集


1.2.3过拟合与欠拟合


经验分享: “机器学习”与“雕刻时光”


经验分享: 如何解决机器学习中的“过犹不及”


1.3典型的机器学习算法——SVM


1.3.1“支持向量机”名字的由来


1.3.2SVM分类器的形式


1.3.3如何找到最佳分类线


1.3.4基于SVM的多分类问题


1.4思考与练习


第2章解析“人工神经网络”


2.1神经元——人工神经网络的基础


2.1.1生物神经元


2.1.2人工神经元


2.1.3激活函数


2.2神经网络的结构及工作原理


2.2.1神经网络的结构组成


2.2.2神经网络的工作原理


2.2.3一些常见的概念


扩展阅读: 人工神经网络发展简史


经验分享: 从仿生学的角度看神经网络的局限性


2.3从数学角度来认识神经网络


2.3.1本书中采用的符号及含义


2.3.2神经元的激活


2.3.3神经网络的学习


2.3.4寻找损失函数最小值——梯度下降法


2.3.5误差反向传播


2.3.6基于误差反向传播的参数更新流程


经验分享: 形象地理解梯度下降法


扩展阅读: 随机梯度下降优化算法


经验分享: 形象地理解反向传播算法


2.4如何基于神经网络进行分类


2.4.1基于神经网络实现二分类


2.4.2基于神经网络实现多分类


扩展阅读: 交叉熵


2.5思考与练习


第3章探索“卷积神经网络”


3.1深入浅出话“卷积”


3.1.1卷积的运算过程


3.1.2卷积核对输出结果的影响


3.1.3卷积运算在图像特征提取中的应用


扩展阅读: 数字图像处理的基础知识


编程体验1: 读入一幅数字图像并显示


编程体验2: 基于MATLAB实现二维图像的滑动卷积


3.2解析“卷积神经网络”


3.2.1从ImageNet 挑战赛说起


3.2.2卷积神经网络的结构


3.2.3卷积层的工作原理


3.2.4非线性激活函数的工作原理


3.2.5池化层的工作原理


3.2.6卷积神经网络与全连接神经网络的区别


3.2.7从仿生学角度看卷积神经网络


扩展阅读: 创建ImageNet挑战赛初衷


3.3从数学的角度看卷积神经网络


3.3.1本书中采用的符号及含义


3.3.2从数学角度看卷积神经网络的工作过程


3.3.3如何求代价函数


3.3.4采用误差反向传播法确定卷积神经网络的参数


3.4认识经典的“卷积神经网络”


3.4.1解析LeNet5卷积神经网络


3.4.2具有里程碑意义的AlexNet


3.4.3VGG16卷积神经网络的结构和参数


3.4.4卷积神经网络为何会迅猛发展


3.5思考与练习


第4章基于MATLAB深度学习工具箱的实现与调试


4.1构造一个用于分类的卷积神经网络


4.1.1实例需求


4.1.2开发环境


4.1.3开发步骤


4.1.4常用的构造卷积神经网络的函数


4.1.5构造卷积神经网络


4.1.6程序实现


扩展阅读: 批量归一化层的作用


归纳总结: 深度神经网络训练过程中常见超参的含义


编程体验: 改变卷积神经网络的结构


4.2训练一个用于预测的卷积神经网络


4.2.1实例需求


4.2.2开发步骤


4.2.3构建卷积神经网络


4.2.4训练卷积神经网络


4.2.5程序实现


扩展阅读1: 设置学习率的经验与技巧


扩展阅读2: 随机失活方法(dropout)的作用


扩展阅读3: 小批量方法(minibatch)的作用


编程体验: 改变网络训练配置参数


4.3采用迁移学习进行物体识别


4.3.1站在巨人的肩膀上——迁移学习


4.3.2实例需求


4.3.3开发步骤


4.3.4可直接加载的网络及方法


4.3.5如何对网络结构和样本进行微调


4.3.6函数解析


4.3.7程序实现及运行效果


扩展阅读: 多角度看“迁移学习”


经验分享: “迁移学习”中的微调技术


4.4采用深度网络设计器实现卷积网络设计


4.4.1什么是深度网络设计器


4.4.2如何打开深度网络设计器


4.4.3需求实例


4.4.4在深度网络设计器中构建卷积神经网络


4.4.5对网络进行训练与验证


4.4.6深度网络设计器的检验功能


4.5采用深度网络设计器实现迁移学习


4.5.1基于深度网络设计器的网络结构调整


4.5.2对网络进行训练


4.6如何显示、分析卷积神经网络


4.6.1如何查看训练好的网络的结构和信息


4.6.2如何画出深度网络的结构图


4.6.3如何用analyzeNetwork函数查看与分析网络


4.7如何加载深度学习工具箱可用的数据集


4.7.1如何加载MATLAB自带的数据集


4.7.2如何加载自己制作的数据集


4.7.3如何加载网络下载的数据集——以CIFAR10为例


4.7.4如何划分训练集与验证集


编程体验: 基于CIFAR10数据集训练卷积神经网络


4.8如何构造一个具有捷径连接的卷积神经网络


4.8.1本节用到的函数


4.8.2实例需求


4.8.3创建含有捷径连接的卷积神经网络的实现步骤


4.8.4程序实现


4.8.5对捷径连接网络进行结构检查


编程体验: 采用例程4.8.2所构建的卷积神经网络进行图像分类


4.9思考与练习


第5章应用案例深度解析


5.1基于卷积神经网络的图像分类


5.1.1什么是图像分类


5.1.2评价分类的指标


5.1.3基于深度学习和数据驱动的图像分类


5.1.4传统的图像分类与基于深度学习的图像分类的区别


5.1.5基于AlexNet的图像分类


5.1.6基于GoogLeNet的图像分类


5.1.7基于卷积神经网络的图像分类抗干扰性分析


扩展阅读: 计算机视觉的发展之路


编程体验: 体验GoogLeNet识别图像的抗噪声能力


扩展阅读: AI“隐身衣”


5.2基于LeNet卷积神经网络的交通灯识别


5.2.1实例需求


5.2.2卷积神经网络设计


5.2.3加载交通灯数据集


5.2.4程序实现


5.3融合卷积神经网络与支持向量机的图像分类


5.3.1整体思路


5.3.2本节所用到的函数


5.3.3实现步骤与程序


编程体验: 基于AlexNet和SVM的图像分类


5.4基于RCNN的交通标志检测


5.4.1目标分类、检测与分割


5.4.2目标检测及其难点问题


5.4.3RCNN目标检测算法的原理及实现过程


5.4.4实例需求


5.4.5实现步骤


5.4.6本节所用到的函数


5.4.7程序实现


5.4.8基于AlexNet迁移学习的RCNN实现


5.4.9基于Image Labeler的RCNN目标检测器构建


5.5基于Video Labeler与RCNN的车辆检测


5.5.1实例需求


5.5.2实现步骤


5.6基于YOLO v4的车辆目标检测


5.6.1YOLO目标检测原理概述


5.6.2实例需求


5.6.3实现步骤


5.6.4本节所用到的函数


5.6.5程序实现


5.7思考与练习


参考文献




短评

    产品特色