人工智能技术原理与应用

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
3.1sigmoid函数的导数
3.2tanh函数的导数
3.3ReLU函数和LeakyReLU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
3.1L2正则化
3.2L2正则化预防过拟合
3.3Dropout正则化
3.4Dropout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
4.2RMSprop
4.3Adam优化算法
第五节学习率衰减
第六节局部很优问题
第六章神经网络调优(三)
第一节超参数的选择
……
第七章卷积神经网络基础
第八章卷积神经网络的常见架构与分析
第九章目标检测
第十章常见深度神经网络架构
第十一章图像分割
第十二章少样本学习与图像特征匹配
第十三章风格迁移与生成对抗网络
第十四章深度学习在三维模型上的发展与应用
第十五章深度学习在服装推荐系统中的应用
第十六章深度学习常用评价指标