深度學習算法與實踐

定　價：￥59.00

作　者：	郝曉莉，王昌利，侯亞麗，景輝
出版社：	清華大學出版社
叢編項：	高等學校計算機專業(yè)系列教材
標　簽：	暫缺

ISBN：	9787302642688	出版時間：	2023-11-01	包裝：	平裝
開本：	16開	頁數(shù)：	314	字數(shù)：

內(nèi)容簡介

　　本書是一本深度學習從入門、算法到應用實踐的書籍。全書共9章，第1章介紹深度學習基礎，主要介紹基本概念和基本算法；第2章介紹深度學習的計算平臺，主要介紹深度神經(jīng)網(wǎng)絡計算芯片TPU的架構原理；第3章介紹深度學習編程環(huán)境和操作基礎，引導零基礎讀者快速入門Linux操作系統(tǒng)、Python編程語言、TensorFlow和PyTorch深度學習框架，為實現(xiàn)深度學習算法開發(fā)及應用部署奠定基礎；第4～8章基于卷積神經(jīng)網(wǎng)絡，分別聚焦計算機視覺領域的幾大經(jīng)典任務，包括圖像的分類、目標檢測、語義分割、實例分割、人臉檢測與識別等；第9章介紹循環(huán)神經(jīng)網(wǎng)絡，關注時序序列處理任務。本書每章講解一系列經(jīng)典神經(jīng)網(wǎng)絡的創(chuàng)新性思路，給出了詳細的模型結構解析，并提供了具體的實踐項目。從代碼解析、網(wǎng)絡訓練、網(wǎng)絡推理到模型部署，帶領讀者從理論一步步走向實踐。本書既可作為高等學校深度學習相關課程的教材，也可作為從事人工智能應用系統(tǒng)開發(fā)的科研和技術人員參考用書。

作者簡介

暫缺《深度學習算法與實踐》作者簡介

圖書目錄

第1章深度學習基礎
1.1 人工智能概述
1.1.1 人工智能在各領域中的應用
1.1.2 人工智能、機器學習和深度學習
1.2 深度學習的基本原理
1.2.1 神經(jīng)元
1.2.2 人工神經(jīng)網(wǎng)絡
1.2.3 反向傳播算法
1.2.4 神經(jīng)網(wǎng)絡的數(shù)據(jù)結構——張量
1.3 卷積神經(jīng)網(wǎng)絡
1.3.1 卷積層
1.3.2 池化層
1.3.3 歸一化層
1.3.4 全連接層
1.3.5 Softmax函數(shù)
1.3.6 損失函數(shù)
1.3.7 卷積神經(jīng)網(wǎng)絡的特點
1.3.8 卷積神經(jīng)網(wǎng)絡的發(fā)展
1.4 遷移學習
1.5 模型訓練超參數(shù)
1.6 深度學習在計算機視覺中的典型應用
1.7 數(shù)據(jù)集
1.7.1 數(shù)據(jù)集的劃分
1.7.2 數(shù)據(jù)集的預處理
1.7.3 數(shù)據(jù)集的標注
1.7.4 常用數(shù)據(jù)集
1.8 深度學習框架
1.9 深度學習的計算特點
第2章深度學習的計算平臺
2.1 神經(jīng)網(wǎng)絡計算加速芯片
2.1.1 神經(jīng)網(wǎng)絡的計算特點
2.1.2 神經(jīng)網(wǎng)絡的計算芯片
2.2 TPU架構與原理
2.2.1 谷歌TPU架構與原理
2.2.2 算能TPU架構與原理
2.3 算能TPU硬件架構及產(chǎn)品形態(tài)
2.3.1 算能TPU的芯片硬件架構
2.3.2 算能TPU的產(chǎn)品形態(tài)
2.4 算能TPU軟件架構
2.4.1 實時視頻流處理方案
2.4.2 深度學習軟件開發(fā)工具包
2.4.3 離線模型轉換
2.4.4 在線模型推理
2.4.5 自定義算子
2.4.6 模型量化加速
2.4.7 接口編程庫
第3章深度學習編程環(huán)境操作基礎
3.1 Linux入門
3.1.1 Linux系統(tǒng)的安裝簡介
3.1.2 Linux系統(tǒng)的常用命令
3.1.3 Linux的文本編輯器
3.2 Python入門
3.2.1 Python環(huán)境的安裝和使用
3.2.2 PyCharm集成開發(fā)環(huán)境的安裝和使用
3.2.3 常用Python庫
3.2.4 Python虛擬環(huán)境
3.3 TensorFlow入門
3.3.1 TensorFlow的安裝
3.3.2 TensorFlow的基本操作
3.3.3 使用TensorFlow實現(xiàn)手寫數(shù)字識別
3.4 PyTorch入門
3.4.1 PyTorch的安裝
3.4.2 PyTorch的基本操作
3.4.3 使用PyTorch實現(xiàn)手寫數(shù)字識別
3.5 SE5平臺開發(fā)環(huán)境
3.5.1 SE5應用系統(tǒng)開發(fā)的硬件環(huán)境
3.5.2 SE5應用系統(tǒng)開發(fā)的軟件環(huán)境
第4章圖像分類
4.1 圖像分類任務介紹
4.2 典型分類網(wǎng)絡解析
4.2.1 LeNet-5手寫數(shù)字識別神經(jīng)網(wǎng)絡
4.2.2 AlexNet圖像分類網(wǎng)絡
4.2.3 VGGNet圖像分類網(wǎng)絡
4.2.4 GoogLeNet圖像分類網(wǎng)絡
4.2.5 ResNet殘差圖像分類網(wǎng)絡
4.2.6 DenseNet密集連接卷積網(wǎng)絡
4.2.7 SENet壓縮-激勵圖像分類網(wǎng)絡
4.3 實踐項目一：基于LeNet-5神經(jīng)網(wǎng)絡的手寫數(shù)字識別
4.3.1 實踐項目內(nèi)容
4.3.2 微調(diào)的LeNet-5網(wǎng)絡結構
4.3.3 TensorFlow 2.x框架下程序實現(xiàn)
4.3.4 LeNet-5模型訓練和測試過程
4.3.5 LeNet-5網(wǎng)絡模型在SE5上的部署
4.4 實踐項目二：基于ResNet神經(jīng)網(wǎng)絡的貓狗分類
4.4.1 實踐項目內(nèi)容
4.4.2 Dogs vs. Cats數(shù)據(jù)集簡介
4.4.3 ResNet18網(wǎng)絡結構
4.4.4 PyTorch框架下程序實現(xiàn)
4.4.5 ResNet18模型訓練和測試過程
4.4.6 ResNet18網(wǎng)絡模型在SE5上的部署
第5章目標檢測
5.1 目標檢測任務介紹
5.1.1 目標檢測任務
5.1.2 預備知識
5.1.3 評估準則
5.2 兩階段目標儉測算法
5.2.1 R-CNN
5.2.2 Fast R-CNN
5.2.3 Faster R-CNN
5.3 單階段目標檢測算法
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 實踐項目：基于YOLOv5s的目標檢測
5.4.1 實踐項目內(nèi)容
5.4.2 YOLOv5s網(wǎng)絡結構
5.4.3 PyTorch框架下程序實現(xiàn)
5.4.4 YOLOv5s網(wǎng)絡模型訓練和測試過程
5.4.5 YOLOv5s網(wǎng)絡模型在SE5上的部署
第6章語義分割
6.1 語義分割任務介紹
6.1.1 語義分割任務
6.1.2 預備知識
6.1.3 評估準則
6.2 典型語義分割網(wǎng)絡
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 實踐項目：基于ICNet的語義分割
6.3.1 實踐項目內(nèi)容
6.3.2 數(shù)據(jù)集
6.3.3 ICNet網(wǎng)絡結構
6.3.4 TensorFlow框架下程序實現(xiàn)
6.3.5 ICNet網(wǎng)絡模型訓練和測試過程
6.3.6 ICNet網(wǎng)絡模型在SE5上的部署
第7章實例分割
7.1 實例分割任務介紹
7.1.1 實例分割任務
7.1.2 評估準則
7.2 典型實例分割網(wǎng)絡
7.2.1 Mask R-CNN
7.2.2 YOLACT與YOLACT++
7.2.3 SOLO和SOLOv2
7.3 實踐項目：基于Mask R-CNN的實例分割
7.3.1 實踐項目內(nèi)容
7.3.2 Mask R-CNN網(wǎng)絡結構
7.3.3