《解析深度学习》（第2版）以其扎实的内容、全面的知识体系、通俗易懂的流畅表达，选国家十四五重出版物出版规划项目，江苏省高等学校重教材项目。第1版畅销万余册，收获读者好评。 《解析深度学习》（第2版）深剖析深度学习的理论与实践，结合新技术成果，系统介绍从基础概念到高级应用的全面内容。结构清晰、层层递，涵盖机器学习、深度学习基础、实践技巧与阶发展，帮助读者掌握构建高效深度学习模型的核心能力。
售 价：¥
纸质售价：¥100.60购买纸书
6.5
温馨提示：数字商品不支持退换货，不提供源文件，不支持导出打印
为你推荐
前折页
内容简介
前言
第1版前言
主要符号表
第0章 绪论
0.1 引子
0.2 人工智能
0.3 深度学习
参考文献
第一篇 机器学习
第1章 机器学习基础
1.1 机器学习基本术语
1.2 模型评估与选择
1.2.1 经验误差与过拟合
1.2.2 常用的评估方法
1.2.3 性能度量
1.2.4 偏差与方差
1.3 线性模型
1.3.1 基本形式
1.3.2 线性回归
1.3.3 线性判别分析
1.3.4 多分类学习
1.3.5 支持向量机
1.4 机器学习基本理论
1.4.1 PAC学习理论
1.4.2 No Free Lunch定理
1.4.3 奥卡姆剃刀原理
1.4.4 归纳偏置
1.5 总结与扩展阅读
1.6 习题
参考文献
第二篇 深度学习基础
第2章 深度学习基本概念
2.1 发展历程
2.2 “端到端”思想
2.3 基本结构
2.4 前馈运算
2.5 反馈运算
2.6 总结与扩展阅读
2.7 习题
参考文献
第3章 卷积神经网络
3.1 卷积神经网络基本组件与操作
3.1.1 符号表示
3.1.2 卷积层
3.1.3 汇合层
3.1.4 激活函数
3.1.5 全连接层
3.1.6 目标函数
3.2 卷积神经网络经典结构
3.2.1 卷积神经网络结构中的重要概念
3.2.2 经典网络案例分析
3.3 卷积神经网络的压缩
3.3.1 低秩近似
3.3.2 剪枝与稀疏约束
3.3.3 参数量化
3.3.4 二值网络
3.3.5 知识蒸馏
3.3.6 紧凑的网络结构
3.4 总结与扩展阅读
3.5 习题
参考文献
第4章 循环神经网络
4.1 循环神经网络基本组件与操作
4.1.1 符号表示
4.1.2 记忆模块
4.1.3 参数学习
4.1.4 长程依赖问题
4.2 循环神经网络经典结构
4.2.1 长短时记忆网络
4.2.2 门控循环单元网络
4.2.3 堆叠循环神经网络
4.2.4 双向循环神经网络
4.3 循环神经网络拓展
4.3.1 递归神经网络
4.3.2 图神经网络
4.4 循环神经网络训练
4.5 总结与扩展阅读
4.6 习题
参考文献
第5章 Transformer网络
5.1 Transformer网络基本组件与操作
5.1.1 符号表示
5.1.2 位置编码
5.1.3 多头注意力机制
5.1.4 编码器
5.1.5 解码器
5.2 Transformer网络经典结构
5.2.1 Transformer-XL
5.2.2 Longformer
5.2.3 Reformer
5.2.4 Universal Transformer
5.3 Transformer网络训练
5.4 总结与扩展阅读
5.5 习题
参考文献
第三篇 深度学习实践
第6章 数据扩充与数据预处理
6.1 简单的数据扩充方式
6.2 特殊的数据扩充方式
6.2.1 Fancy PCA
6.2.2 监督式数据扩充
6.2.3 mixup法
6.2.4 自动化数据扩充
6.3 深度学习数据预处理
6.4 总结与扩展阅读
6.5 习题
参考文献
第7章 网络参数初始化
7.1 全零初始化
7.2 随机初始化
7.3 其他初始化方法
7.4 总结与扩展阅读
7.5 习题
参考文献
第8章 激活函数
8.1 Sigmoid函数
8.2 tanh（x）函数
8.3 修正线性单元（ReLU）
8.4 Leaky ReLU
8.5 参数化ReLU
8.6 随机化ReLU
8.7 指数化线性单元（ELU）
8.8 激活函数实践
8.9 总结与扩展阅读
8.10 习题
参考文献
第9章 目标函数
9.1 分类任务的目标函数
9.1.1 交叉熵损失函数
9.1.2 合页损失函数
9.1.3 坡道损失函数
9.1.4 大间隔交叉熵损失函数
9.1.5 中心损失函数
9.2 回归任务的目标函数
9.2.1 ℓ1 损失函数
9.2.2 ℓ2 损失函数
9.2.3 Tukey's biweight损失函数
9.3 其他任务的目标函数
9.4 总结与扩展阅读
9.5 习题
参考文献
第10章 网络正则化
10.1 ℓ2 正则化
10.2 ℓ1 正则化
10.3 最大范数约束
10.4 随机失活
10.5 验证集的使用
10.6 总结与扩展阅读
10.7 习题
参考文献
第11章 超参数设定和网络训练
11.1 网络超参数设定
11.1.1 输入图像像素大小
11.1.2 卷积层超参数的设定
11.1.3 汇合层超参数的设定
11.2 训练技巧
11.2.1 训练数据随机打乱
11.2.2 学习率的设定
11.2.3 批规范化操作
11.2.4 网络模型优化算法选择
11.2.5 微调神经网络
11.3 总结与扩展阅读
11.4 习题
参考文献
第12章 不平衡样本的处理
12.1 数据层面处理方法
12.1.1 数据重采样
12.1.2 类别平衡采样
12.2 算法层面处理方法
12.2.1 代价敏感方法
12.2.2 代价敏感法中权重的指定方式
12.3 总结与扩展阅读
12.4 习题
参考文献
第13章 模型集成方法
13.1 数据层面集成方法
13.1.1 测试阶段数据扩充
13.1.2 简易集成法
13.2 模型层面集成方法
13.2.1 单模型集成
13.2.2 多模型集成
13.3 总结与扩展阅读
13.4 习题
参考文献
第14章 深度学习开源工具简介
14.1 常用框架对比
14.2 代表性框架的各自特点
14.2.1 Caffe
14.2.2 Jittor
14.2.3 Keras
14.2.4 MatConvNet
14.2.5 MindSpore
14.2.6 MXNet
14.2.7 PyTorch
14.2.8 TensorFlow
14.2.9 Theano
14.2.10 Torch
参考文献
第四篇 深度学习进阶
第15章 计算机视觉进阶与应用
15.1 图像识别
15.1.1 数据集和评价指标
15.1.2 Inception模型
15.1.3 ResNet及其衍生模型
15.1.4 EfficientNet模型
15.1.5 Vision Transformer模型
15.2 目标检测
15.2.1 数据集和评价指标
15.2.2 二阶段目标检测方法
15.2.3 单阶段目标检测方法
15.3 图像分割
15.3.1 数据集和评价指标
15.3.2 语义分割
15.3.3 实例分割
15.4 视频理解
15.4.1 数据集和评价指标
15.4.2 基于2D卷积的动作识别
15.4.3 基于3D卷积的动作识别
15.4.4 时序动作定位
15.5 总结与拓展阅读
15.6 习题
参考文献
附录
附录A 向量、矩阵及其基本运算
A.1 向量及其基本运算
A.1.1 向量
A.1.2 向量范数
A.1.3 向量运算
A.2 矩阵及其基本运算
A.2.1 矩阵
A.2.2 矩阵范数
A.2.3 矩阵运算
附录B 微积分
B.1 微分
B.1.1 导数
B.1.2 可微函数
B.1.3 泰勒公式
B.2 积分
B.2.1 不定积分
B.2.2 定积分
B.2.3 常见积分公式
B.3 矩阵微积分
B.3.1 矩阵微分
B.3.2 矩阵积分
B.4 常见函数的导数
B.5 链式法则
B.6 随机梯度下降
附录C 线性代数
C.1 线性代数与深度学习
C.2 矩阵类型
C.3 特征值与特征向量
C.4 矩阵分解
C.4.1 LU分解
C.4.2 QR分解
C.4.3 奇异值分解
附录D 概率论
D.1 概率论与深度学习
D.2 样本空间
D.3 事件和概率
D.4 条件概率分布
D.5 贝叶斯定理
D.6 随机变量、期望和方差
D.6.1 随机变量
D.6.2 期望
D.6.3 方差
D.7 常见的连续随机变量概率分布
后折页
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
