首页 > 教育 > 本科研究生 > 计算机类

人工智能与深度学习基础

作译者：顾佼佼,刘玉超,张龙杰等

出版时间：2025-08 千字数：564 版次：01-01 页数：344

开本：16开装帧： I S B N ：9787121511097

换版：

纸质书定价：￥66.0

库存:无

分享到：

共有图书评论0条【查看评论摘要】

看了又看

{{data.bookName}}

￥{{data.price}}

内容简介

前言

上架建议

作者简介

编辑推荐

音视频专区

序
前?言
第1章?概述
1.1?身边的人工智能
1.2?人工智能、机器学习、大数据、深度学习
1.3?人工智能的发展
1.4?学习建议
1.5?发展历史
1.6?高性能计算力
1.7?军事领域应用场景
1.8?本章小结
第2章?机器学习基础
2.1?机器学习的主要分类
2.2?基本概念
2.3?梯度下降算法
2.4?分类器的数学表示
2.5?线性分类器的训练
2.6?回归问题的数学表示
2.7?本章小结
第3章?深层神经网络
3.1?引入
3.2?常见的深层神经网络结构
3.3?图解神经网络结构
3.4?神经网络的训练
3.5?激活函数：从线性到非线性
3.6?损失函数
3.7?优化算法
3.8?过拟合与正则化
3.9?本章小结
第4章?图像处理与特征工程
4.1?图像的表示形式
4.2?卷积与互相关
4.3?卷积提取图像特征
4.4?特征提取：从特征设计到特征学习
4.5?方向梯度直方图
4.6?本章小结
第5章?卷积神经网络
5.1?视觉系统的启发
5.2?CNN设计思路剖析
5.3?卷积神经网络基本结构
5.4?卷积神经网络的训练
5.5?与传统图像识别框架对比分析
5.6?本章小结
第6章?经典CNN模型（AlexNet、ZFNet、VGGNet）
6.1?CNN模型在CV领域的发展历程
6.2?感受野
6.3?一般架构
6.4?LeNet结构
6.5?AlexNet结构
6.6?ZFNet结构
6.7?NIN结构
6.8?VGGNet结构
6.9?深度回顾
第7章?经典CNN模型（Inception系列2014—2016）
7.1?启发
7.2?GoogLeNet（Inception-V1）分析
7.3?Inception-V2分析
7.4?Inception-V3分析
7.5?Inception-V4分析
第8章?ResNet
8.1?深层网络的退化问题
8.2?残差学习
8.3?ResNet结构
8.4?训练分析
8.5?主要改进思路
8.6?Inception ResNet
8.7?ResNeXt
8.8?Xception
8.9?DenseNet
8.10?VoVNet
第9章?SENet、SKNet中的可用模块
9.1?SENet
9.2?SKNet
9.3?GCNet
9.4?CBAM
第10章?DCN
10.1?提出动机
10.2?基本思想
第11章?移动端之SqueezeNet
11.1?概述
11.2?SqueezeNet网络结构
第12章?MobileNet系列
12.1?MobileNet V1
12.2?MobileNet V2
12.3?网络结构
12.4?性能分析
12.5?总结分析
第13章?ShuffleNet系列
13.1?ShuffleNet V1
13.2?ShuffleNet V2
第14章?网络结构综合应用
14.1?深度学习模型架构
14.2?深度学习原理探究
14.3?1×1卷积深度理解
14.4?网络调优
参考文献
术语表

序

近10年，随着深度学习算法的突破，带动了人工智能的发展，而计算机视觉又是其重要的应用技术。今天，人工智能技术已经渗透到社会和行业的方方面面，在人类社会中正扮演着越来越重要的赋能角色。世界各国政府和机构都把人工智能列为未来发展战略的重要支撑部分。很多大学也先后成立人工智能学院，开设相关课程，培养相关人才。
我们在科学研究中，通常会去阅读很多参考文献，学习和了解很多算法模型，然后结合问题场景，提出一种改进的或新型的方法。有时候会让人感到困惑：人工智能的发展到底是技术创新驱动的，还是场景需求驱动的？当前，人工智能的发展需要场景需求的牵引，如无人驾驶、医疗、安防、生物医药、客服助理、国防安全等领域都成为人工智能应用的重要场景；同时新一代人工智能技术的突破，更需要基础理论的创新支撑。很多时候，我们需要结合自身研究方向和工作特点，辩证看待科学、技术和工程之间的关系，实事求是！
本书主要面向深度学习和计算机视觉相关技术的初学者，可以帮助读者由浅入深，全面学习了解相关知识、算法和模型，当遇到具体的场景问题时，也可以快速检索适用的算法，再有针对性地进行深入学习和研究。


刘玉超

前    言
人工智能是计算机科学的一个分支，是当前科学技术中正在迅速发展且新思想、新观点、新理论、新技术不断涌现的一个学科，也是一门涉及数学、计算机科学、控制论、信息论、心理学、哲学等学科的交叉学科和边缘学科，目前已发展成为计算机科学的一个重要分支和计算机应用的一个广阔的新领域。
笔者常年主讲研究生及本科层级的“人工智能”课程，以理论结合实践的方式开展授课，对理论与实践课时的分布比例进行过多次调整尝试，目前以课堂主讲理论、课下开展实践实验方式进行授课。古人云：“读史可以明智，知古可以鉴今”。回顾一门技术的发展历史，是掌握其发展趋势的最快方式，也是笔者坚持理论讲解的主要原因。
笔者将理论部分整理后出版，内容以深度学习在计算机视觉领域的理论及应用为主，另有实验教程辅助开展实验。在章节安排上，注重循序渐进引导及每个章节的独立性。读者既可以针对每部分知识单独进行学习，也可以“按图索骥”找到相应的知识点。
另外，本书有相对应的网络社区，以便读者获取进一步的资料，如书中知识点的动态演示等，并可在网络社区中进行问题反馈。个人的思路是相对狭隘的，很多新奇的思路都是在思想的碰撞中被提出来的，而正是这些加深了我们对深度学习的进一步认识和理解。
注：有些术语简写可查看书中的术语表。
本书起到“抛砖引玉”的作用，谨供参考。书中不足之处敬请同行专家不吝指正，以资完善。


编著者

查看更多 > 图书评论

暂无评论

发表图书评论

评论标题：
评论内容：
验证码：: 看不清楚
点击刷新
: 您还没有登录，请登录后再评论。
点击“登录”

购买过本书的顾客还买过

{{data.bookName}}

￥{{data.price}}