您好,欢迎来到聚文网。 登录 免费注册
深度学习模型与算法基础

深度学习模型与算法基础

  • 字数: 415
  • 出版社: 清华大学
  • 作者: 编者:许庆阳//宋勇//张承进|责编:刘杨
  • 商品条码: 9787302651079
  • 版次: 1
  • 开本: 16开
  • 页数: 263
  • 出版年份: 2023
  • 印次: 1
定价:¥55 销售价:登录后查看价格  ¥{{selectedSku?.salePrice}} 
库存: {{selectedSku?.stock}} 库存充足
{{item.title}}:
{{its.name}}
精选
内容简介
深度学习技术作为人工智能领域的一门新兴技术,已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础,讲述神经网络基础训练方法。并通过自编码器网络,将浅层网络过度到深度神经网络部分,详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后,对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式,对深度学习相关理论进行讲解,满足教学过程中的需要。
作者简介
许庆阳山东大学副教授、博士、博士生导师,主要从事智能机器人、人工智能、深度学习、智能优化算法等方面的教学与科研工作。参与科技部科技创新2030—“新一代人工智能”重大项目,承担国家自然科学基金1项、山东省重点研发计划1项,完成了山东省自然科学基金1项。在国内外学术期刊发表学术论文25余篇,其中SCI已收录17篇,申请发明专利5项。
目录
第1章 绪论 1.1 人工神经网络发展史 1.1.1 人工神经网络的提出 1.1.2 人工神经网络的陨落 1.1.3 人工神经网络的兴起 1.1.4 深度学习的提出 1.2 人工神经网络学习机理 1.2.1 生物学机理 1.2.2 浅层学习 1.2.3 深度学习 1.2.4 特征学习 第2章 神经网络基础 2.1 概述 2.2 感知器 2.2.1 感知器学习规则 2.2.2 感知器原理 2.3 线性单元 2.4 δ学习规则 2.5 BP神经网络结构 2.5.1 BP神经网络原理 2.5.2 BP神经元偏移量 2.5.3 BP神经网络非线性表达能力 2.6 反向传播算法 2.6.1 误差项推导 2.6.2 误差反向传播算法流程 2.6.3 误差反向传播算法计算示例 2.7 梯度检查 2.8 超参数的确定 2.9 模型训练与评估 2.10 向量化编程 第3章 自编码器 3.1 自编码器原理 3.2 不同种类的自编码器 3.2.1 正则自编码器 3.2.2 稀疏自编码器 3.2.3 去噪自编码器 3.3 堆叠自编码器 3.4 预训练与深度学习 3.5 Softmax与交叉熵函数融合 3.6 深度神经网络权值初始化方法 3.6.1 Xavier初始化方法 3.6.2 Kaiming初始化方法 3.6.3 LeCun初始化方法 第4章 卷积神经网络 4.1 全连接神经网络局限性 4.2 卷积神经网络原理 4.3 卷积神经网络前向计算 4.3.1 新的激活雨数 4.3.2 卷积层 4.3.3 池化层

蜀ICP备2024047804号

Copyright 版权所有 © jvwen.com 聚文网