智能系统与技术丛书 C#神经网络编程PDF电子书下载

第1章 快速预览 1

1.1 神经网络概述 2

1.1.1 神经网络训练 4

1.1.2 神经网络的结构指南 4

1.2 神经网络在当今企业中的作用 6

1.3 学习的类型 6

1.3.1 有监督学习 7

1.3.2 无监督学习 7

1.3.3 强化学习 7

1.4 了解感知器 7

1.5 了解激活函数 10

1.5.1 激活函数绘图 12

1.5.2 函数绘图 13

1.6 了解后向传播 16

1.7 小结 17

1.8 参考文献 17

第2章 构建第一个神经网络 18

2.1 一个简单的神经网络 18

2.2 神经网络训练 19

2.2.1 突触 20

2.2.2 神经元 21

2.2.3 前向传播 21

2.2.4 Sigmoid函数 21

2.2.5 后向传播 22

2.2.6 计算误差 23

2.2.7 计算梯度 23

2.2.8 更新权重 23

2.2.9 计算值 23

2.3 神经网络函数 24

2.3.1 创建新网络 24

2.3.2 导入现有网络 24

2.3.3 导入数据集 27

2.3.4 网络运算 27

2.3.5 导出网络 28

2.3.6 训练网络 28

2.3.7 测试网络 29

2.3.8 计算前向传播 29

2.3.9 将网络导出为JSON格式 29

2.3.10 导出数据集 30

2.4 神经网络 30

2.5 例子 31

2.5.1 训练到最小值 31

2.5.2 训练到最大值 31

2.6 小结 32

第3章 决策树和随机森林 33

3.1 决策树 33

3.1.1 决策树的优点 34

3.1.2 决策树的缺点 35

3.1.3 何时应该使用决策树 35

3.2 随机森林 35

3.2.1 随机森林的优点 36

3.2.2 随机森林的缺点 36

3.2.3 何时应该使用随机森林 36

3.3 SharpLearning 37

3.3.1 术语 37

3.3.2 加载和保存模型 37

3.4 示例代码和应用程序 41

3.4.1 保存模型 41

3.4.2 均方差回归指标 41

3.4.3 F1分数 41

3.4.4 优化 42

3.4.5 示例应用程序1 42

3.4.6 示例应用程序2——葡萄酒质量 43

3.5 小结 45

3.6 参考文献 45

第4章 面部和运动检测 46

4.1 面部检测 46

4.2 运动检测 54

4.3 小结 59

第5章 使用ConvNetSharp训练CNN 60

5.1 热身 60

5.2 过滤器 64

5.3 创建网络 64

5.3.1 第一个简单的例子 65

5.3.2 第二个简单的例子 66

5.3.3 第三个简单的例子 67

5.3.4 使用Fluent API 68

5.4 GPU 68

5.5 使用MNIST数据集进行流畅设计训练 68

5.6 训练网络 69

5.6.1 测试数据 70

5.6.2 预测数据 71

5.6.3 计算图 71

5.7 小结 73

5.8 参考文献 73

第6章 使用RNNSharp训练自动编码器 74

6.1 什么是自动编码器 74

6.2 自动编码器的分类 74

6.2.1 标准自动编码器 75

6.2.2 变分自动编码器 76

6.2.3 降噪自动编码器 76

6.2.4 稀疏自动编码器 76

6.3 创建自己的自动编码器 76

6.4 小结 87

6.5 参考文献 88

第7章 用PSO代替后向传播 89

7.1 基础理论 89

7.1.1 群体智能 90

7.1.2 粒子群优化算法 90

7.2 用粒子群优化算法代替后向传播 94

7.3 小结 98

第8章 函数优化 99

8.1 入门 100

8.2 函数最小化和最大化 103

8.2.1 什么是粒子 104

8.2.2 Swarm初始化 106

8.2.3 图表初始化 107

8.2.4 状态初始化 108

8.2.5 控制随机性 109

8.2.6 更新群体位置 110

8.2.7 更新群速度 110

8.2.8 主程序初始化 110

8.2.9 运行粒子群优化 111

8.2.10 用户界面 112

8.3 超参数和调参 113

8.3.1 函数 113

8.3.2 策略 114

8.3.3 维度大小 115

8.3.4 上限 115

8.3.5 下限 116

8.3.6 上限速度 116

8.3.7 下限速度 117

8.3.8 小数位 117

8.3.9 群体大小 117

8.3.10 最大迭代次数 118

8.3.11 惯性 119

8.3.12 社交权重 120

8.3.13 认知权重 121

8.3.14 惯性权重 122

8.4 可视化 122

8.4.1 二维可视化 122

8.4.2 三维可视化 123

8.5 绘制结果 128

8.5.1 回放结果 128

8.5.2 更新信息树 130

8.6 添加新的优化函数 131

8.6.1 目的 131

8.6.2 添加新函数的步骤 131

8.6.3 添加新函数示例 132

8.7 小结 135

第9章 寻找最佳参数 136

9.1 优化 136

9.1.1 什么是适配函数 137

9.1.2 约束 137

9.1.3 元优化 139

9.2 优化方法 141

9.2.1 选择优化器 141

9.2.2 梯度下降 141

9.2.3 模式搜索 141

9.2.4 局部单峰采样 142

9.2.5 差异进化 142

9.2.6 粒子群优化 143

9.2.7 多优化联络员 143

9.2.8 网格 143

9.3 并行 144

9.3.1 并行化优化问题 144

9.3.2 并行优化方法 144

9.3.3 编写代码 144

9.3.4 执行元优化 146

9.3.5 计算适配度 146

9.3.6 测试自定义问题 148

9.3.7 基本问题 148

9.3.8 创建自定义问题 151

9.3.9 自定义问题示例 153

9.4 小结 154

9.5 参考文献 155

第10章 使用TensorFlowSharp进行对象检测 157

10.1 使用张量 157

10.2 开发自己的TensorFlow应用程序 161

10.3 检测图像 163

10.4 小结 166

10.5 参考文献 166

第11章 使用CNTK进行时间序列预测和LSTM 167

11.1 长短期记忆 167

11.1.1 LSTM变体 168

11.1.2 LSTM的应用 170

11.2 CNTK术语 170

11.3 示例应用程序 171

11.3.1 编写应用程序代码 174

11.3.2 运行应用程序 175

11.3.3 训练网络 176

11.3.4 创建模型 177

11.3.5 创建批量数据 178

11.3.6 获取下一批数据 178

11.4 LSTM的表现 178

11.5 小结 179

11.6 参考文献 179

第12章 GRU与LSTM、RNN和前馈神经网络 181

12.1 QuickNN 181

12.2 了解GRU 182

12.3 LSTM和GRU之间的差别 182

12.4 构建不同的网络 183

12.4.1 编写LSTM代码 184

12.4.2 编写GRU代码 184

12.5 比较LSTM、GRU、前馈和RNN网络的相关操作 185

12.6 网络差异 187

12.7 小结 189

附录A 激活函数 190

附录B 函数优化参考 194