《深度学习、优化与识别》PDF下载

  • 购买积分:13 如何计算积分?
  • 作  者:焦李成,赵进,杨淑媛,刘芳
  • 出 版 社:北京:清华大学出版社
  • 出版年份:2017
  • ISBN:9787302473671
  • 页数:395 页
图书介绍:深度神经网络近来受到国内外广泛关注,已成为中国人工智能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。第一部分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;第十六章总结给出了深度学习发展前沿方向。

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 73

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对比试验及结果分析 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 126

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深度强化学习简介 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 229

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PolSAR影像地物分类 271

12.4.2基于生成式对抗网的PolSAR影像地物分类 274

12.4.3基于深度残差网络的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影像的变化检测 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 294

13.2.2对比试验结果分析 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实验结果和分析 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对比试验结果分析 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对比实验结果与分析 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对比实验结果与分析 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 369

16.1.2深度学习、计算与认知的范式演进 370

16.1.3深度学习形成脉络 371

16.2深度学习的应用介绍 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