神经网络与深度学习（附微课视频）（线上实训版）-图书-人邮教育社区

内容摘要

本书作为神经网络与深度学习领域的入门级教材，系统地梳理了神经网络和深度学习的知识体系，阐述了神经网络和深度学习的基础知识，对主要模型进行了重点介绍，并通过案例进行详细说明，以使读者能在学习基础理论知识的同时，掌握神经网络和深度学习模型的开发方法，且具备使用人工神经网络和深度学习模型解决实际问题的能力。
全书共9章。内容包括绪论、机器学习、人工神经网络、多层感知机、卷积神经网络、深度卷积神经网络、循环神经网络、深度生成模型、注意力机制与Transformer。
本书可作为高校人工智能、计算机、大数据等专业的本科生教材，也可供相关领域工程技术人员参考。

第1章　绪论
第2章　机器学习
第3章　人工神经网络
第4章　多层感知机
第5章　卷积神经网络
第6章　深度卷积神经网络
第7章　循环神经网络
第8章　深度生成模型
第9章　注意力机制与 Transformer

第1章　绪论 1
1.1 人工智能简介 1
1.1.1 人工智能的起源 1
1.1.2 人工智能的发展与流派 2
1.1.3 人工智能的社会、伦理问题 3
1.2 机器学习简介 4
1.3 人工神经网络简介 5
1.3.1 人工神经网络的产生 6
1.3.2 人工神经网络的早期发展 7
1.4 深度学习简介 10
1.4.1 深度学习的产生和发展 11
1.4.2 深度学习主要开发框架 12
1.4.3 深度学习的应用现状 14
1.5 本书的知识结构 15
1.6 关键知识梳理 16
1.7 问题与实践 16

第2章　机器学习 18
2.1 基本概念 18
2.1.1 数据 19
2.1.2 模型 22
2.1.3 学习准则 23
2.1.4 算法 25
2.2 机器学习的类型 27
2.2.1 监督学习 27
2.2.2 无监督学习 28
2.2.3 半监督学习 28
2.2.4 强化学习 28
2.3 模型评估 29
2.3.1 性能度量指标 29
2.3.2 模型评估方法 33
2.4 机器学习任务的一般流程 34
2.5 机器学习任务案例 35
2.6 关键知识梳理 41
2.7 问题与实践 41

第3章　人工神经网络 43
3.1 脑及其神经机制 43
3.1.1 脑的结构和功能 43
3.1.2 神经组织 44
3.1.3 信息处理和传递 45
3.1.4 学习和记忆的神经机制 46
3.2 人工神经网络源起的计算本质 46
3.3 人工神经网络演进的技术脉络 49
3.4 人工神经网络与脑 51
3.5 感知机模型 52
3.5.1 可学习的感知机 53
3.5.2 利用感知机进行鸢尾花分类 55
3.5.3 利用感知机进行牛奶质量预测 57
3.5.4 感知机的缺陷与人工智能的寒冬 58
3.6 关键知识梳理 60
3.7 问题与实践 60

第4章　多层感知机 62
4.1 多层感知机的缘起 62
4.2 激活函数 63
4.2.1 Sigmoid函数 63
4.2.2 ReLU函数 64
4.3 网络结构与信息流动 65
4.4 反向传播算法 66
4.5 自动梯度计算 68
4.5.1 自动微分 68
4.5.2 计算图 70
4.6 多层感知机的应用实例 72
4.6.1 利用多层感知机实现二分类 73
4.6.2 利用多层感知机实现手写数字识别 78
4.7 关键知识梳理 83
4.8 问题与实践 84

第5章　卷积神经网络 87
5.1 感受野、卷积与汇聚 87
5.1.1 感受野与局部连接 88
5.1.2 平移等变性、共享权重与卷积 89
5.1.3 汇聚与平移不变性 91
5.2 卷积神经网络概述 93
5.2.1 卷积层 93
5.2.2 卷积神经网络的一般结构 94
5.2.3 卷积神经网络的参数学习 94
5.2.4 LeNet-5 96
5.3 利用LeNet-5进行CIFAR-10数据集分类 97
5.4 利用LeNet-5进行Fashion-MNIST数据集分类 101
5.5 关键知识梳理 103
5.6 问题与实践 104

第6章　深度卷积神经网络 105
6.1 VGG及其应用 105
6.1.1 VGG的结构 105
6.1.2 利用VGG-16进行CIFAR-100数据集分类 106
6.2 GoogLeNet及其应用 111
6.2.1 1×1卷积 111
6.2.2 Inception 112
6.2.3 GoogLeNet的结构 114
6.2.4 利用GoogLeNet进行Tiny ImageNet数据集分类 115
6.3 ResNet及其应用 118
6.3.1 残差块 118
6.3.2 ResNet的网络结构 119
6.3.3 利用ResNet进行分类 122
6.4 关键知识梳理 126
6.5 问题与实践 127

第7章　循环神经网络 129
7.1 循环神经网络概述 129
7.1.1 序列数据 129
7.1.2 循环神经网络的结构 130
7.1.3 循环神经网络的分类 131
7.1.4 随时间反向传播算法 132
7.2 利用循环神经网络实现文本分类 132
7.3 长短期记忆网络 136
7.3.1 长程依赖 136
7.3.2 长短期记忆网络工作机理 136
7.3.3 利用长短期记忆网络预测股票价格 138
7.4 门控循环单元网络 144
7.4.1 门控循环单元网络工作机理 144
7.4.2 利用门控循环单元网络预测股票价格 145
7.5 关键知识梳理 146
7.6 问题与实践 146

第8章　深度生成模型 148
8.1 判别模型与生成模型 148
8.2 自编码器 149
8.2.1 自编码器的结构与原理 149
8.2.2 自编码器的应用 150
8.3 变分自编码器 153
8.3.1 变分自编码器的结构与原理 153
8.3.2 变分自编码器的应用 154
8.4 生成对抗网络 157
8.4.1 生成对抗网络的结构与原理 157
8.4.2 CycleGAN 159
8.4.3 利用CycleGAN实现图像风格迁移 160
8.5 关键知识梳理 166
8.6 问题与实践 166

第9章　注意力机制与Transformer 168
9.1 注意力机制 168
9.1.1 注意力 168
9.1.2 序列到序列模型 169
9.1.3 Bahdanau注意力机制 169
9.1.4 通用注意力机制 170
9.2 利用带注意力的序列到序列模型实现机器翻译 171
9.3 Transformer 180
9.3.1 自注意力机制 181
9.3.2 多头注意力机制 183
9.3.3 位置编码 183
9.3.4 Transformer的结构 184
9.4 利用Transformer实现单词预测 187
9.5 视觉Transformer 191
9.6 大语言模型 192
9.6.1 大语言模型的定义 193
9.6.2 大语言模型的预训练和
微调 193
9.6.3 基于Hugging Face Transformers的应用开发 194
9.6.4 基于Hugging Face Transformers的应用案例 195
9.7 关键知识梳理 197
9.8 问题与实践 198
参考文献 199
附录 200