思思re热免费精品,老子影院午夜伦手机不卡无

Array

PREFACE前　　言隨著谷歌的AlphaGo、IBM的Watson和百度的小度機器人等智能產(chǎn)品的問世，人工智能成為大眾熱烈討論的焦點。深度學習作為其中的核心技術之一，經(jīng)過學術界與工業(yè)界的積極推動，已經(jīng)被廣泛應用于計算機視覺、語音識別和自然語言處理等諸多領域。如果讀者想了解深度學習的總體概況，可參考作者編寫的《深度學習導論及案例分析》一書。

本書專注討論深度學習中應用非常廣泛的模型卷積神經(jīng)網(wǎng)絡，該模型特別適用于圖像分類和識別、目標分割和檢測以及人工智能游戲方面，受眾對象包括計算機、自動化、信號處理、機電工程、應用數(shù)學等相關專業(yè)的研究生、教師以及算法工程師和科研工作者。

卷積神經(jīng)網(wǎng)絡是一種特殊的多層感知器或前饋神經(jīng)網(wǎng)絡，具有局部連接、權值共享的特點，其中大量神經(jīng)元按照一定方式組織起來對視野中的交疊區(qū)域產(chǎn)生反應。其前身是日本學者Fukushima在感受野概念的基礎上提出的神經(jīng)認知機模型。利用神經(jīng)認知機的思想，LeCun等人在1998年提出了卷積神經(jīng)網(wǎng)絡的現(xiàn)代雛形LeNet。2012年，Krizhevsky等人取得了卷積神經(jīng)網(wǎng)絡研究的重大突破，提出了著名的AlexNet。AlexNet在ImageNet的大規(guī)模圖像分類競賽中取得優(yōu)異成績，為深度學習的全面推廣立下了汗馬功勞。隨后，卷積神經(jīng)網(wǎng)絡模型如雨后春筍般出現(xiàn)，如VGGNet、GoogLeNet、SPPNet、ResNet、DenseNet、Faster R-CNN、YOLO、SSD、FCN、PSPNet、Mask R-CNN、SiameaseNet、SqueezeNet、DCGAN、NIN，以及在人工智能游戲中用到的深度強化模型等。

本書的最大特色是對卷積神經(jīng)網(wǎng)絡進行由淺入深的分類描述，依次包括：現(xiàn)代雛形、突破模型、應變模型、加深模型、跨連模型、區(qū)域模型、分割模型、特殊模型、強化模型和頂尖成就。這種分類框架是在模型概述和預備知識的基礎上逐步展開的，既方便讀者入門學習，又有助于讀者深入鉆研。

本書的另一大特色是結(jié)合Caffe或TensorFlow的代碼來說明各種卷積神經(jīng)網(wǎng)絡模型的具體實現(xiàn)過程，并通過應用案例說明其價值和意義所在。典型的應用案例包括：字符識別、交通標志識別、交通路網(wǎng)提取、大規(guī)模圖像分類、人臉圖像性別分類、圖像目標檢測、圖像語義分割、圖像實例分割、人臉圖像生成、Flappy Bird智能體、AlphaGo的仿效圍棋程序等。讀者可以通過運行各個應用案例的程序代碼和實驗數(shù)據(jù)，檢驗其演示效果。

與其他深度學習的書籍相比，本書對卷積神經(jīng)網(wǎng)絡的內(nèi)容涵蓋更為廣泛、模型討論更為深入、應用實踐更為細致。特別是，還總結(jié)了一些運行卷積神經(jīng)網(wǎng)絡的配置技巧和操作經(jīng)驗。比如，在運行Mask R-CNN的時候，需要先安裝讀取COCO數(shù)據(jù)集的程序，然后再進行訓練或測試。在運行SSD的時候，可視化結(jié)果只給出了類別編號而沒有給出類別名，作者對此已進行了修改，以方便讀者按照書中所示代碼顯示相應的類別名。把這些經(jīng)過摸索得到的技巧和經(jīng)驗分享給讀者，對提高讀者的深度學習技術水平，無疑具有很好的加速作用。

本書是集體努力的成果，主要作者包括北京工業(yè)大學的李玉鑑、張婷、單傳輝、劉兆英、聶小廣和歐軍。他們對全書的內(nèi)容進行了精心的布局、認真的編寫和細致的整理。同時，曾少鋒、劉博文、穆紅章、余華擎和方皓達等人在文獻資料、實現(xiàn)代碼和軟件工具的收集方面也提供了積極的幫助。此外，華章公司的溫莉芳副總經(jīng)理和張夢玲編輯對本書的排版提出了許多寶貴的意見。最后，需要特別感謝家人的支持，他們也在不知不覺中以各種方式對此書出版做出了貢獻。

限于作者水平，本書難免在內(nèi)容取材和結(jié)構(gòu)編排上有不妥之處，希望讀者不吝賜教，提出寶貴的批評和建議，我們將不勝感激。

作　者2018年4月于北京工業(yè)大學

你還可能感興趣

我要評論