深度學習、優化與識別 (Deep Learning,Optimization and Recognition) 深度学习、优化与识别

焦李成, 趙進, 楊淑媛, 劉芳

  • 出版商: 清華大學
  • 出版日期: 2017-07-01
  • 定價: $768
  • 售價: 8.5$653
  • 貴賓價: 8.0$614
  • 語言: 簡體中文
  • 頁數: 395
  • 裝訂: 平裝
  • ISBN: 7302473676
  • ISBN-13: 9787302473671
  • 相關分類: DeepLearning
  • 銷售排行: 👍 2017 年度 簡體中文書 銷售排行 第 17 名
    🥇 2017/7 簡體中文書 銷售排行 第 1 名

    立即出貨

買這商品的人也買了...

相關主題

商品描述

內容簡介
深度神經網絡是近年來受到廣泛關註的研究方向,它已成為人工智能2.0的主要組成部分。本書系統地論述了深度神經網絡基本理論、算法及應用。

全書共16章,分為兩個部分

第一部分(第1章~10章)系統論述了理論及算法,包括深度前饋神經網絡、深度捲積神經網絡、深度堆棧神經網絡、深度遞歸神經網絡、深度生成網絡、深度融合網絡等

第二部分(第11~15章)論述了常用的深度學習平臺,以及在高光譜圖像、自然圖像、SAR與極化SAR影像等領域的應用;第16章為總結與展望,給出了深度學習發展的歷史圖、前沿方向及最新進展。

每章都附有相關閱讀材料及模擬代碼,以便有興趣的讀者進一步鑽研探索。
本書可為高等院校電腦科學、電子科學與技術、信息科學、控制科學與工程、人工智能等領域的研究人員提供參考,以及作為相關專業本科生及研究生教學參考書,同時可供深度學習及其應用感興趣的研究人員和工程技術人員參考。

《深度學習、優化與識別》的特色

深度學習是計算機科學與人工智能的重要組成部分。全書16章,分為理論與實踐應用兩部分,同時介紹5種深度學習主流平臺的特性與應用,最後給出了深度學習的前沿進展介紹,另附帶47種相關網絡模型的實現代碼。本書具有以下的特點:

一、內容系統全面

全書16章,覆蓋了深度學習當前出現的諸多經典框架或模型,分為兩個部分。第一部分系統地從數據、模型、優化目標函數和求解等四個方面論述了深度學習的理論及算法,如捲積神經網絡、深度生成模型等;第二部分基於5種主流的深度學習平臺給出了深度網絡在自然圖像、衛星遙感影像等領域的應用,如分類、變化檢測、目標檢測與識別等任務。另外給出了深度學習發展的脈絡圖及最新研究進展,提供可基於5種平臺實現的47中深度網絡代碼,以便有興趣的讀者進一步鑽研探索。

二、敘述立場客觀

作為深度學習的入門教材,盡可能不帶偏見地對材料進行分析、加工以及客觀介紹。本書理論部分均從模型產生的本源來介紹,並給出各個經典模型之間內在的相互聯繫。本書實踐應用部分對相關任務做了詳盡的分析,並給出深度學習應用實踐的經驗總結。

三、設計裝幀精美

該書設計人性化,文字、公式、數學符號混排格式美觀精緻,特別是,全書採用全彩印製,軟精裝裝幀。封面設計清新卻不脫俗、學術化,足可以看出出版社和作者的用心。

目錄大綱

目錄

第1章深度學習基礎1 
1.1數學基礎2 
1.1.1矩陣論2 
1.1.2概率論3 
1.1.3優化分析5 
1.1.4框架分析6 
1.2稀疏表示8 
1.2.1稀疏表示初步8 
1.2.2稀疏模型20 
1.2.3稀疏認知學習、計算與識別的範式24 
1.3機器學習與神經網絡31 
1.3.1機器學習31 
1.3.2神經網絡36 
參考文獻38 


第2章深度前饋神經網絡41 
2.1神經元的生物機理42 
2.1.1生物機理42 
2.1.2單隱層前饋神經網絡43 
2.2多隱層前饋神經網絡45 
2.3反向傳播算法47 
2.4深度前饋神經網絡的學習範式48 
參考文獻51 


第3章深度卷積神經網絡54 
3.1卷積神經網絡的生物機理及數學刻畫55 
3.1.1生物機理55 
3.1.2卷積流的數學刻畫56 
3.2深度卷積神經網絡61 
3.2.1典型網絡模型與框架61 
3.2.2學習算法及訓練策略69 
3.2.3模型的優缺點分析71 
3.3深度反捲積神經網絡73 
3.3.1卷積稀疏編碼74 
3.3.2深度反捲積神經網絡75 
3.3.3網絡模型的性能分析與應用舉例77 
3.4全卷積神經網絡77 
3.4.1網 絡模型的數學刻畫77 
3.4.2網絡模型的性能分析及應用舉例79 
參考文獻80 


第4章深度堆棧自編碼網絡83 
4.1自編碼網絡84 
4.1.1逐層學習策略84 
4.1.2自編碼網絡84 
4.1.3自編碼網絡的常見範式87 
4.2深度堆棧網絡90 
4.3深度置信網絡/深度玻爾茲曼機網絡93 
4.3.1玻爾茲曼機/受限玻爾茲曼機93 
4.3.2深度玻爾茲曼機/深度置信網絡94 
參考文獻96 


第5章稀疏深度神經網絡99 
5.1稀疏性的生物機理100 
5.1.1生物視覺機理100 
5.1.2稀疏性響應與數學物理描述102 
5.2稀疏深度網絡模型及基本性質102 
5.2.1數據的稀疏性103 
5.2.2稀疏正則103 
5.2.3稀疏連接104 
5.2.4稀疏分類器設計106 
5.2.5深度學習中關於稀疏的技巧與策略108 
5.3網絡模型的性能分析110 
5.3.1稀疏性對深度學習的影響110 
5.3.2對比實驗及結果分析110 
參考文獻111 


第6章深度融合網絡113 
6.1深度SVM網絡114 
6.1.1從神經網絡到SVM114 
6.1.2網絡模型的結構115 
6.1. 3訓練技巧117 
6.2深度PCA網絡117 
6.3深度ADMM網絡119 
6.4深度極限學習機121 
6.4.1極限學習機121 
6.4.2深度極限學習機123 
6.5深度多尺度幾何網絡125 
6.5.1深度脊波網絡125 
6.5.2深度輪廓波網絡127 
6.6深度森林130 
6.6.1多分辨特性融合131 
6.6.2級聯特徵深度處理131 
參考文獻133 


第7章深度生成網絡136 
7.1生成式對抗網絡的基本原理137 
7.1. 1網絡模型的動機137 
7.1.2網絡模型的數學物理描述139 
7.2深度卷積對抗生成網絡141 
7.2.1網絡模型的基本結構141 
7.2.2網絡模型的性能分析144 
7.2.3網絡模型的典型應用146 
7.3深度生成網絡模型的新範式151 
7.3.1生成式對抗網絡的新範式151 
7.3.2網絡框架的性能分析與改進154 
7.4應用驅動下的兩種新生成式對抗網絡155 
7.4.1堆棧生成式對抗網絡155 
7.4.2對偶學習範式下的生成式對抗網絡158 
7.5變分自編碼器160 
參考文獻162 


第8章深度複捲積神經網絡與深度二值神經網絡167 
8 .1深度複捲積神經網絡168 
8.1.1網絡模型構造的動機168 
8.1.2網絡模型的數學物理描述168 
8.2深度二值神經網絡172 
8.2.1網絡基本結構172 
8.2.2網絡的數學物理描述173 
8.2.3討論176 
參考文獻177 


第9章深度循環和遞歸神經網絡180 
9.1深度循環神經網絡181 
9.1.1循環神經網絡的生物機理181 
9.1.2簡單的循環神經網絡181 
9.1.3深度循環神經網絡的數學物理描述183 
9.2深度遞歸神經網絡188 
9.2.1簡單的遞歸神經網絡188 
9.2.2深度遞歸神經網絡的優勢189 
9.3長短時記憶神經網絡190 
9.3.1改進動機分析190 
9.3.2長短時記憶神經網絡的數學分析191 
9.4典型應用192 
9.4.1深度循環神經網絡的應用舉例193 
9.4.2深度遞歸神經網絡的應用舉例194 
參考文獻194 


第10章深度強化學習197 
10.1深度強化學習基礎198 
10.1 .1深度強化學習的基本思路198 
10.1.2發展歷程198 
10.1.3應用的新方向200 
10.2深度Q網絡201 
10.2.1網絡基本模型與框架 201 
10.2.2深度Q網絡的數學分析202 
10.3應用舉例—AlphaGo204 
10.3.1AlphaGo原理分析205 
10.3.2深度強化學習性能分析206 
參考文獻207 


第11章深度學習軟件仿真平台及開發環境209 
11.1Caffe平台210 
11.1.1Caffe平台開發環境210 
11.1.2AlexNet神經網絡學習210 
11.1.3AlexNet神經網絡應用於圖像分類212 
11.2TensorFlow平台215 
11.2.1TensorFlow平台開發環境215 
11.2.2深度卷積生成式對抗網DCGAN216 
11.2.3DAN應用於樣本擴充217 
11.3MXNet平台220 
11.3.1MXNet平台開發環境220 
11.3.2VGG—NET深度神經網絡學習222 
11.3.3圖像分類應用任務225 
11.4Torch 7平台226 
11.4.1Torch 7平台開發環境226 
11.4.2二值神經網絡227 
11.4.3二值神經網絡應用於圖像分類239 
11.5Theano平台233 
11.5.1Theano平台開發環境233 
11.5.2遞歸神經網絡234 
11.5.3LSTM應用於情感分類任務237 
參考文獻238 


第12章基於深度神經網絡的SAR/PolSAR影像地物分類240 
12.1數據集及研究目的241 
12.1.1數 集特性分析241 
12.1.2基本數據集244 
12.1.3研究目的247 
12.2基於深度神經網絡的SAR影像地物分類251 
12.2.1基於自適應自編碼和超像素的SAR圖像分類251 
12.2.2基於卷積中層特徵學習的SAR圖像分類257 
12.3基於第一代深度神經網絡的PolSAR影像地物分類263 
12.3.1基於稀疏極化DBN的極化SAR地物分類263 
12.3.2基於深度PCA網絡的極化SAR影像地物分類267 
12.4基於第二代深度神經網絡的PolSAR影像地物分類271 
12.4.1基於深度複捲積網絡的極化PolSAR影像地物分類271 
12.4.2基於生成式對抗網的極化PolSAR影像地物分類274 
12.4.3基於深度殘差網絡的極化PolSAR影像地物分類278 
參考文獻280 


第13章基於深度神經網絡的SAR影像變化檢測284 
13.1數據集特點及研究目的285 
13.1.1研究目的285 
13.1.2數據基本特性288 
13.1.3典型數據集291 
13.2基於深度學習和SIFT特徵的SAR圖像變化檢測293 
13.2.1基本方法與實現策略284 
13.2.2對 實驗結果分析295 
13.3基於SAE的SAR圖像變化檢測299 
13.3.1基本方法與實現策略299 
13.3.2對比實驗結果分析303 
13.4基於CNN的SAR圖像變化檢測305 
13.4.1基本方法與實現策略305 
13.4. 2對比實驗結果分析307 
參考文獻309 


第14章基於深度神經網絡的高光譜圖像分類與壓縮311 
14.1數據集及研究目的312 
14.1.1高光譜遙感技術312 
14.1.2高光譜遙感的研究目的313 
14.1 .3常用的高光譜數據集314 
14.2基於深度神經網絡的高光譜影像的分類318 
14.2.1基於堆棧自編碼的高光譜影像的分類319 
14.2.2基於卷積神經網絡的高光譜影像的分類325 
14.3基於深度神經網絡的高光譜影像的壓縮333 
14.3.1基於深度自編碼網絡的高光譜圖像壓縮方法334 
14.3.2實驗設計及分類結果336 
參考文獻338 


第15章基於深度神經網絡的目標檢測與識別340 
15.1數據特性及研究目的341 
15.1.1研究目的341 
15.1.2常用數據集343 
15.2基於快速CNN的目標檢 與識別345 
15.2.1R—CNN346 
15.2.2FastR—CNN348 
15.2.3FasterR—CNN349 
15.2.4對比實驗結果與分析352 
15.3基於回歸學習的目標檢測與識別353 
15.3.1YOLO353 
15.3.2SSD356 
15.3.3對比實驗結果分析359 
15.4基於學習搜索的目標檢測與識別360 
15.4.1基於深度學習的主動目標定位360 
15.4.2AttentionNet363 
15.4.3對比實驗結果分析365 
參考文獻366 


第16章總結與展望368 
16.1深度學習發展歷史圖369 
16.1.1從機器學習、稀疏表示學習到深度學習370 
16.1.2深度學習、計算與認知的範式演進371 
16.1.3深度學習形成脈絡375 
16.2深度學習的典型應用375 
16.2.1目標檢測與識別375 
16.2.2超分辨376 
16.2.3自然語言處理376 
16.3深度神經網絡的可塑性377 
16.3.1旋轉不變性377 
16.3.2平移不變性378 
16.3.3多尺度、多分辨和多通路特性378 
16.3. 4稀疏性379 
16.4基於腦啟發式的深度學習前沿方向380 
16.4.1生物神經領域關於認知、識別、注意等的最新研究 展380 
16.4.2深度神經網絡的進一步研究方向382 
16.4.3深度學習的可拓展性383 
參考文獻383 
附錄A基於深度學習的常見任務處理介紹386 
附錄B代碼介紹393