深度学习：主流框架和编程实战 - (EPUB全文下载)

文件大小：0.31 mb。
文件格式：epub 格式。
书籍内容：

深度学习：主流框架和编程实战
第1章 绪论
1.1 机器学习与深度学习
1.1.1 机器学习与深度学习的关系
1.1.2 传统机器学习与深度学习的对比
1.2 统计学与深度学习
1.2.1 统计学与深度学习的关系
1.2.2 基于统计的深度学习技术
1.3 本书涉及的深度学习框架
1.4 优化深度学习的方法
1.5 深度学习展望
第2章 TensorFlow深度学习框架构建方法与图像分类的实现
2.1 TensorFlow概述
2.1.1 TensorFlow的特点
2.1.2 TensorFlow中的模型
2.2 TensorFlow框架安装
2.2.1 基于Anaconda的安装
2.2.2 测试TensorFlow
2.3 基于TensorFlow框架的图像分类实现（ResNet-34）
2.3.1 应用背景
2.3.2 ResNet
2.3.3 ResNet程序实现
2.3.4 详细代码解析
2.3.5 实验结果及分析
第3章 Caffe深度学习框架搭建与图像语义分割的实现
3.1 Caffe概述
3.1.1 Caffe的特点
3.1.2 Caffe框架结构
3.2 Caffe框架安装与调试
3.3 基于Caffe框架的图像分割实现（FCN）
3.3.1 用Caffe构建卷积神经网络
3.3.2 FCN-8s网络简介
3.3.3 详细代码解读
3.3.4 实验结果与结论
第4章 Torch深度学习框架搭建与目标检测的实现
4.1 Torch概述
4.1.1 Torch的特点
4.1.2 Lua语言
4.2 Torch框架安装
4.3 基于Torch框架的目标检测实现（Faster R-CNN）
4.3.1 Torch的类和包的基本用法
4.3.2 用Torch构建神经网络
4.3.3 Faster R-CNN介绍
4.3.4 Faster R-CNN实例
4.3.5 实验结果分析
第5章 MXNet深度学习框架构建与自然语言处理的实现
5.1 MXNet概述
5.1.1 MXNet基础知识
5.1.2 编程接口
5.1.3 系统实现
5.1.4 MXNet的关键特性
5.2 MXNet框架安装
5.3 基于MXNet框架的自然语言处理实现（LSTM）
5.3.1 自然语言处理应用背景
5.3.2 RNN及LSTM网络
5.3.3 Bucketing及不同长度的序列训练
5.3.4 详细代码实现
5.3.5 实验过程及实验结果分析
第6章 迁移学习
6.1 迁移学习发展概述
6.2 迁移学习的类型与模型
6.2.1 冻结源模型与微调源模型
6.2.2 神经网络迁移学习模型与分类器迁移学习模型
6.3 迁移学习方法实例指导
6.3.1 迁移学习应用示例
6.3.2 实验结论
第7章 并行计算与交叉验证
7.1 并行计算
7.1.1 数据并行框架
7.1.2 模型并行框架
7.1.3 数据并行与模型并行的混合架构
7.2 交叉验证
7.2.1 留出法
7.2.2 K折交叉验证
7.2.3 留一交叉验证
参考文献
第1章　绪论
近些年，深度学习因在许多领域都取得了耀眼的成绩和突破性的进展而受到学术界及工业界的广泛关注，本章将分别从深度学习与机器学习的关系、深度学习与统计学的关系、深度学习框架、深度学习中涉及的优化方法以及深度学习展望五个方面对深度学习进行全面深刻的剖析，旨在为后续学习提供理论铺垫与指导。
1.1　机器学习与深度学习
斯坦福大学终身教授、ImageNet数据库的缔造者、现任Google Cloud首席科学家的华裔科学家李飞飞认为“人工智能将成为新的生产力，成为第四次工业革命的主要推动力之一”。人工智能重在实现机器智能，实现的方式为机器学习。作为人工智能的重要分支，机器学习主要研究的是如何使机器通过识别和利用现有知识来获取新知识和新技能。自20世纪80年代以来，机器学习已经在算法、理论和应用等方面都取得巨大成功，而被广泛应用于产业界与学术界。简单来说，机器学习就是通过算法使得机器能从大量历史数据中学习规律，从而对新的样本完成智能识别或对未来做预测。
而深度学习是机器学习的一个分支和新的研究领域，如今在大数据的背景下，可用数据量的激增、计算能力的增强以及计算成本的降低为深度学习的进一步发展提供了平台，同时也为深度学习在各大领域中的应用提供了支撑。自AlphaGo被提出并成功击败职业围棋手后，“深度学习”这一概念快速进入人们的视野并在业界引起了轰动，其因强大的特征提取能力以及灵活性而在国内外各大企业中掀起一阵狂潮，在语音识别、图像识别和图像处理领域取得的成果尤为突出。深度学习的本质在于利用海量的训练数据（可为无标签数据），通过构建多隐层的模型，去学习更加有用的特征数据，从而提高数据分类效果，提升预测结果的准确性。
本节将从时期阶段发展和模型结构发展的角度介绍机器学习与深度学习之间的关系，并在此基础上从六个方面对机器学习和深度学习进行对比，从而进一步阐述二者之间的关系。
1.1.1　机器学习与深度学习的关系
机器学习的发展历程大致可以分为五个时期，而伴随着机器学习的发展，深度学习共出现三次浪潮。接下来，以机器学习的发展作为主线来介绍不同时期机器学习与深度学习之间的关系。
第一个时期从20世纪50年代持续至20世纪70年代，由于在此期间研究人员致力于用数学证明机器学习的合理性，因此称之为“推理期”。在此期间深度学习的雏形出现在控制论中，随着生物学习理论的发展与第一个模型的实现（感知机，1958年），其能实现单个神经元的训练，这是深度学习的第一次浪潮。
第二个时期从20世纪70年代持续至20世纪80年代，由于在这个阶段费根鲍姆（Edward Albert Feigenbaum）等机器学习专家认为机器学习就是让机器获取知识，因此称之为“知识期”，在此期间深度学习主要表现在机器学习中基于神经网络的连接主义。
第三个时期从20世纪80年代持续至20世纪90年代，这个时期的机器学习专家主张让机器“主动”学习，即从 ............

以上为书籍内容预览，如需阅读全文内容请下载EPUB源文件，祝您阅读愉快。