人工智能技术原理与应用(纺织服装高等教育十三五部委级规划教材)

本书从人工智能技术的 基本原理出发，涵盖人工神 经网络的基本原理、网络优 化过程中的超参数设置，以 及卷积神经网络的基本概念 与常见架构。在此基础上， 详细介绍深度学习技术在目 标检测、图像分割、少样本 学习、风格迁移及生成对抗 等常见任务中的应用原理， 并结合相关研究领域的新进 展，介绍深度学习在三维模 型及服装推荐系统中的应用 。 本书针对零编程基础的 读者讲解人工智能技术的基 础知识，及其在纺织服装领 域若干问题上的使用方法和 流程。可供纺织院校高年级 本科生以及低年级研究生作 为教材，也可供相关生产企 业和研究单位的专业技术人 员阅读参考。

绪论 第一章 神经网络基础(一) 第一节 什么是神经网络 第二节 有监督学习 第二章 神经网络基础(二) 第一节 二元分类问题与符号表达 第二节 损失函数与代价函数 第三节 逻辑回归中的梯度下降法 3.1 梯度下降 3.2 向前传播与向后传播的计算 第四节 单次迭代中梯度下降算法的编程实现 第三章 全连接神经网络 第一节 什么是全连接神经网络 第二节 神经网络常用的激活函数 2.1 各种非线性激活函数 2.2 为什么需要非线性激活函数 第三节 激活函数的导数 3.1 sigmoid函数的导数 3.2 tanh函数的导数 3.3 ReLU函数和Leaky ReLU函数的导数 第四节 全连接神经网络向后传播时的梯度计算 第五节 多层神经网络 5.1 多层神经网络的向前传播计算 5.2 多层神经网络向前／向后传播的编程模块 第六节 神经网络的随机初始化 第七节 二元分类问题案例分析 第四章 神经网络调优(一) 第一节 训练集、验证集及测试集 1.1 定义 1.2 数据集的划分原则 第二节 偏差与方差 第三节 神经网络的正则化 3.1 L2正则化 3.2 L2正则化预防过拟合 3.3 Dropout正则化 3.4 Dropout正则化的作用原理 3.5 其他正则化方法 第四节 输人数据的归一化处理 第五节 梯度消失／梯度爆炸 第六节 深度神经网络的权重初始化及案例分析 第五章 神经网络调优(二) 第一节 小批量的概念 第二节 小批量的作用原理 第三节 指数加权平均 3.1 指数加权平均的基本概念 3.2 指数加权平均的含义 3.3 指数加权平均的偏差修正 第四节 几种常见的梯度下降法 4.1 动量梯度下降法 4.2 RMSprop