分  享 
分  享 
源  码 
源  码 
课  程 
课  程 
设  计 
设  计 

[人工智能] 【PDF教材】《深度学习、优化与识别》PDF高清扫描版 [163MB]

[复制链接]
密探007邮箱认证 OneDrive 认证 微信绑定 发表于 2020-1-20 19:08:08 | 显示全部楼层 |阅读模式
「智能推荐」
【PDF教材】《Yii 框架深度剖析》中文PDF扫描版 [284MB] 【PDF教材】《深度学习与R语言》高清PDF完整版 [153MB]
【PDF教材】《深度学习技术:图像处理入门》中文PDF完整版 [90MB] 【PDF教材】《深度学习:原理与实践》高清PDF完整版 [173MB]
【PDF教材】《数据恢复技术深度揭秘》(第2版)带目录PDF完整版 [461MB] 【PDF教材】《图解深度学习与神经网络:从张量到 TensorFlow 实现》中文PDF完整版
【PDF教材】《深度学习实战》带目录PDF高清版 [45MB] 【PDF教材】《深度学习算法实践》高清PDF文字版 [9MB]
【视频教材】《Spring Boot2.0 深度实践之核心-技术篇》完整版 【PDF教材】《深度学习:卷积神经网络从入门到精通》带目录完整PDF版 [92MB]

欢迎加入「奥学网」学霸平台,让自学改变你的世界!

您需要 登录 才可以下载或查看,没有帐号?账号注册

x


【PDF教材】《深度学习、优化与识别》PDF高清扫描版 [163MB] - 奥学网

  深度神经网络是近年来受到广泛关注的研究方向,它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章,分为两个部分;第一部分(第1章~10章)系统论述了理论及算法,包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等;第二部分(第11~15章)论述了常用的深度学习平台,以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用;第16章为总结与展望,给出了深度学习发展的历史图、前沿方向及最新进展。每章都附有相关阅读材料及仿真代码,以便有兴趣的读者进一步钻研探索。

  本书具有以下的特点:

  一、内容系统全面

  全书16章,覆盖了深度学习当前出现的诸多经典框架或模型,分为两个部分。第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法,如卷积神经网络、深度生成模型等;第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用,如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新研究进展,提供可基于5种平台实现的47中深度网络代码,以便有兴趣的读者进一步钻研探索。

  二、叙述立场客观

  作为深度学习的入门教材,尽可能不带偏见地对材料进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍,并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析,并给出深度学习应用实践的经验总结。

  三、设计装帧精美

  该书设计人性化,文字、公式、数学符号混排格式美观精致,特别是,全书采用全彩印制,软精装装帧。封面设计清新却不脱俗、学术化,足可以看出出版社和作者的用心。

  目录

  第1章 深度学习基础 1

  1.1 数学基础 2

  1.1.1 矩阵论 2

  1.1.2 概率论 3

  1.1.3 优化分析 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 稀疏认知学习、计算与识别的范式 24

  1.3 机器学习与神经网络 31

  1.3.1 机器学习 31

  1.3.2 神经网络 36

  参考文献 38

  第2章 深度前馈神经网络 41

  2.1 神经元的生物机理 42

  2.1.1 生物机理 42

  2.1.2 单隐层前馈神经网络 43

  2.2 多隐层前馈神经网络 45

  2.3 反向传播算法 47

  2.4 深度前馈神经网络的学习范式 48

  参考文献 51

  第3章 深度卷积神经网络 54

  3.1 卷积神经网络的生物机理及数学刻画 55

  3.1.1 生物机理 55

  3.1.2 卷积流的数学刻画 56

  3.2 深度卷积神经网络 61

  3.2.1 典型网络模型与框架 61

  3.2.2 学习算法及训练策略 69

  3.2.3 模型的优缺点分析 71

  3.3 深度反卷积神经网络 73

  3.3.1 卷积稀疏编码 74

  3.3.2 深度反卷积神经网络 75

  3.3.3 网络模型的性能分析与应用举例 77

  3.4 全卷积神经网络 77

  3.4.1 网络模型的数学刻画 77

  3.4.2 网络模型的性能分析及应用举例 79

  参考文献 80

  第4章 深度堆栈自编码网络 83

  4.1 自编码网络 84

  4.1.1 逐层学习策略 84

  4.1.2 自编码网络 84

  4.1.3 自编码网络的常见范式 87

  4.2 深度堆栈网络 90

  4.3 深度置信网络/深度玻尔兹曼机网络 93

  4.3.1 玻尔兹曼机/受限玻尔兹曼机 93

  4.3.2 深度玻尔兹曼机/深度置信网络 94

  参考文献 96

  第5章 稀疏深度神经网络 99

  5.1 稀疏性的生物机理 100

  5.1.1 生物视觉机理 100

  5.1.2 稀疏性响应与数学物理描述 102

  5.2 稀疏深度网络模型及基本性质 102

  5.2.1 数据的稀疏性 103

  5.2.2 稀疏正则 103

  5.2.3 稀疏连接 104

  5.2.4 稀疏分类器设计 106

  5.2.5 深度学习中关于稀疏的技巧与策略 108

  5.3 网络模型的性能分析 110

  5.3.1 稀疏性对深度学习的影响 110

  5.3.2 对比实验及结果分析 110

  参考文献 111

  第6章 深度融合网络 113

  6.1 深度SVM网络 114

  6.1.1 从神经网络到SVM 114

  6.1.2 网络模型的结构 115

  6.1.3 训练技巧 117

  6.2 深度PCA网络 117

  6.3 深度ADMM网络 119

  6.4 深度极限学习机 121

  6.4.1 极限学习机 121

  6.4.2 深度极限学习机 123

  6.5 深度多尺度几何网络 125

  6.5.1 深度脊波网络 125

  6.5.2 深度轮廓波网络 127

  6.6 深度森林 130

  6.6.1 多分辨特性融合 131

  6.6.2 级联特征深度处理 131

  参考文献 133

  第7章 深度生成网络 136

  7.1 生成式对抗网络的基本原理 137

  7.1.1 网络模型的动机 137

  7.1.2 网络模型的数学物理描述 139

  7.2 深度卷积对抗生成网络 141

  7.2.1 网络模型的基本结构 141

  7.2.2 网络模型的性能分析 144

  7.2.3 网络模型的典型应用 146

  7.3 深度生成网络模型的新范式 151

  7.3.1 生成式对抗网络的新范式 151

  7.3.2 网络框架的性能分析与改进 154

  7.4 应用驱动下的两种新生成式对抗网络 155

  7.4.1 堆栈生成式对抗网络 155

  7.4.2 对偶学习范式下的生成式对抗网络 158

  7.5 变分自编码器 160

  参考文献 162

  第8章 深度复卷积神经网络与深度二值神经网络 167

  8.1 深度复卷积神经网络 168

  8.1.1 网络模型构造的动机 168

  8.1.2 网络模型的数学物理描述 168

  8.2 深度二值神经网络 172

  8.2.1 网络基本结构 172

  8.2.2 网络的数学物理描述 173

  8.2.3 讨论 176

  参考文献 177

  第9章 深度循环和递归神经网络 180

  9.1 深度循环神经网络 181

  9.1.1 循环神经网络的生物机理 181

  9.1.2 简单的循环神经网络 181

  9.1.3 深度循环神经网络的数学物理描述 183

  9.2 深度递归神经网络 188

  9.2.1 简单的递归神经网络 188

  9.2.2 深度递归神经网络的优势 189

  9.3 长短时记忆神经网络 190

  9.3.1 改进动机分析 190

  9.3.2 长短时记忆神经网络的数学分析 191

  9.4 典型应用 192

  9.4.1 深度循环神经网络的应用举例 193

  9.4.2 深度递归神经网络的应用举例 194

  参考文献 194

  第10章 深度强化学习 197

  10.1 深度强化学习基础 198

  10.1.1 深度强化学习的基本思路 198

  10.1.2 发展历程 198

  10.1.3 应用的新方向 200

  10.2 深度Q网络 201

  10.2.1 网络基本模型与框架 201

  10.2.2 深度Q网络的数学分析 202

  10.3 应用举例—AlphaGo 204

  10.3.1 AlphaGo原理分析 205

  10.3.2 深度强化学习性能分析 206

  参考文献 207

  第11章 深度学习软件仿真平台及开发环境 209

  11.1 Caffe平台 210

  11.1.1 Caffe平台开发环境 210

  11.1.2 AlexNet神经网络学习 210

  11.1.3 AlexNet神经网络应用于图像分类 212

  11.2 TensorFlow平台 215

  11.2.1 TensorFlow平台开发环境 215

  11.2.2 深度卷积生成式对抗网DCGAN 216

  11.2.3 DAN应用于样本扩充 217

  11.3 MXNet平台 220

  11.3.1 MXNet平台开发环境 220

  11.3.2 VGG-NET深度神经网络学习 222

  11.3.3 图像分类应用任务 225

  11.4 Torch 7平台 226

  11.4.1 Torch 7平台开发环境 226

  11.4.2 二值神经网络 227

  11.4.3 二值神经网络应用于图像分类 239

  11.5 Theano平台 233

  11.5.1 Theano平台开发环境 233

  11.5.2 递归神经网络 234

  11.5.3 LSTM应用于情感分类任务 237

  参考文献 238

  第12章 基于深度神经网络的SAR/PolSAR影像地物分类 240

  12.1 数据集及研究目的 241

  12.1.1 数据集特性分析 241

  12.1.2 基本数据集 244

  12.1.3 研究目的 247

  12.2 基于深度神经网络的SAR影像地物分类 251

  12.2.1 基于自适应自编码和超像素的SAR图像分类 251

  12.2.2 基于卷积中层特征学习的SAR图像分类 257

  12.3 基于第一代深度神经网络的PolSAR影像地物分类 263

  12.3.1 基于稀疏极化DBN的极化SAR地物分类 263

  12.3.2 基于深度PCA网络的极化SAR影像地物分类 267

  12.4 基于第二代深度神经网络的PolSAR影像地物分类 271

  12.4.1 基于深度复卷积网络的极化PolSAR影像地物分类 271

  12.4.2基于生成式对抗网的极化PolSAR影像地物分类 274

  12.4.3基于深度残差网络的极化PolSAR影像地物分类 278

  参考文献 280

  第13章 基于深度神经网络的SAR影像变化检测 284

  13.1 数据集特点及研究目的 285

  13.1.1 研究目的 285

  13.1.2 数据基本特性 288

  13.1.3 典型数据集 291

  13.2 基于深度学习和SIFT特征的SAR图像变化检测 293

  13.2.1 基本方法与实现策略 284

  13.2.2 对比实验结果分析 295

  13.3基于SAE的SAR图像变化检测 299

  13.3.1 基本方法与实现策略 299

  13.3.2 对比实验结果分析 303

  13.4基于CNN的SAR图像变化检测 305

  13.4.1基本方法与实现策略 305

  13.4.2对比实验结果分析 307

  参考文献 309

  第14章 基于深度神经网络的高光谱图像分类与压缩 311

  14.1 数据集及研究目的 312

  14.1.1 高光谱遥感技术 312

  14.1.2 高光谱遥感的研究目的 313

  14.1.3 常用的高光谱数据集 314

  14.2 基于深度神经网络的高光谱影像的分类 318

  14.2.1 基于堆栈自编码的高光谱影像的分类 319

  14.2.2 基于卷积神经网络的高光谱影像的分类 325

  14.3基于深度神经网络的高光谱影像的压缩 333

  14.3.1 基于深度自编码网络的高光谱图像压缩方法 334

  14.3.2 实验设计及分类结果 336

  参考文献 338

  第15章 基于深度神经网络的目标检测与识别 340

  15.1 数据特性及研究目的 341

  15.1.1 研究目的 341

  15.1.2 常用数据集 343

  15.2 基于快速CNN的目标检测与识别 345

  15.2.1 R-CNN 346

  15.2.2 Fast R-CNN 348

  15.2.3 Faster R-CNN 349

  15.2.4 对比实验结果与分析 352

  15.3 基于回归学习的目标检测与识别 353

  15.3.1 YOLO 353

  15.3.2 SSD 356

  15.3.3 对比实验结果分析 359

  15.4 基于学习搜索的目标检测与识别 360

  15.4.1 基于深度学习的主动目标定位 360

  15.4.2 AttentionNet 363

  15.4.3 对比实验结果分析 365

  参考文献 366

  第16章 总结与展望 368

  16.1 深度学习发展历史图 369

  16.1.1 从机器学习、稀疏表示学习到深度学习 370

  16.1.2 深度学习、计算与认知的范式演进 371

  16.1.3 深度学习形成脉络 375

  16.2 深度学习的典型应用 375

  16.2.1 目标检测与识别 375

  16.2.2 超分辨 376

  16.2.3 自然语言处理 376

  16.3 深度神经网络的可塑性 377

  16.3.1 旋转不变性 377

  16.3.2 平移不变性 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 基于脑启发式的深度学习前沿方向 380

  16.4.1 生物神经领域关于认知、识别、注意等的最新研究进展 380

  16.4.2 深度神经网络的进一步研究方向 382

  16.4.3 深度学习的可拓展性 383

  参考文献 383

  附录A 基于深度学习的常见任务处理介绍 386

  附录B 代码介绍 393



 百度网盘 / Download(回复可见):
 The following hidden content members only. Join us 
游客,如果您要查看本帖隐藏内容请回复

 

 

楼 主 推 荐
aizhiyunnefu 发表于 2020-1-19 10:02:15 | 显示全部楼层
这样的帖子,不顶说不过去啊.
回复 支持 反对

使用道具 举报

Michael_Wang 发表于 2020-1-19 19:51:07 | 显示全部楼层
我我我我我你你你您[email protected]
回复 支持 反对

使用道具 举报

snowwolf725 发表于 2020-1-20 16:02:58 | 显示全部楼层
拿走了谢谢分享哦.
回复 支持 反对

使用道具 举报

HV2OZ 发表于 2020-1-24 21:16:16 | 显示全部楼层
从零开始好好学习哦~~~~.
回复 支持 反对

使用道具 举报

Va9S 发表于 2020-1-25 06:33:36 | 显示全部楼层
嗯不错不错支持.
回复 支持 反对

使用道具 举报

Sweet 发表于 2020-1-25 20:47:29 | 显示全部楼层
我是来收集资料滴.
回复 支持 反对

使用道具 举报

孤岛的风 发表于 2020-1-26 13:03:50 | 显示全部楼层
嘿嘿哈哈呵呵哟~呼.
回复 支持 反对

使用道具 举报

PLAGUE 发表于 2020-1-26 14:40:09 | 显示全部楼层
相当不错的好可以更好或者非常好哈.
回复 支持 反对

使用道具 举报

millsniper 发表于 2020-1-30 15:51:08 | 显示全部楼层
加油啊偶一定会追随你左右,偶坚定此帖必然会起到抛砖引玉的作用~.
回复 支持 反对

使用道具 举报

快速回复 收藏帖子 返回列表
加密...

Try it|SiteMap|奥学网

E-mail: [email protected]

Xtreme-aesthetic Design

© 2012~Now 6SO.SO

快速回复 返回顶部 返回列表