《深度学习应用与实战（全彩）》系统介绍了神经网络和深度学习，并结合实际应用场景和综合案例，让读者深入了解深度学习。
《深度学习应用与实战（全彩）》共16章，分为4个部分。第1部分介绍了深度学习基础算法与应用，主要包括神经网络和深度学习的相关概念、多层神经网络的基本原理和具体应用、卷积神经网络的原理及项目案例实现、优化算法与模型管理。第2部分介绍了深度学习进阶算法与应用，主要包括经典的深度卷积神经网络，ResNet、DenseNet和MobileNet，目标检测的基本概念和常见算法，循环神经网络的基本概念和具体应用。第3部分介绍了时空数据模型与应用，主要包括CNN-LSTM混合模型的基本概念和具体应用，多元时间序列神经网络、注意力机制和Transformer的基本结构和具体应用。第4部分介绍了生成对抗网络及其应用，主要包括生成对抗网络的基本概念及其模型的结构和训练过程，使用检测模型、识别模型对车牌进行检测与识别。
《深度学习应用与实战（全彩）》适合对人工智能、机器学习、神经网络和深度学习等感兴趣的读者阅读，也适合作为本科院校和高等职业院校人工智能相关专业的教材。本书可以帮助有一定基础的读者查漏补缺，使其深入理解和掌握与深度学习相关的原理及方法，并能提高其解决实际问题的能力。
作者简介:
达内时代科技集团是国内知名的互联网-IT教育培训单位，是一站式互联网人才基地，专注IT职业教育人才服务多年，拥有300多家培训中心，帮助学员实现一地学习全国就业。
目录:
第 1 部分 深度学习基础算法与应用 1
第 1 章 单层神经网络 2
1.1 深度学习的基本概念 2
1.2 深度学习框架 5
1.3 单层神经网络的概述 6
1.4 单层神经网络实现鸢尾花分类 17
本章总结 22
作业与练习 22
第 2 章 多层神经网络 24
2.1 多层神经网络的概述 24
2.2 梯度下降算法 30
2.3 正则化处理 31
2.4 手写数字识别 32
本章总结 39
作业与练习 39
第 3 章 卷积神经网络 41
3.1 图像基础原理 41
3.2 卷积的作用及原理 43
3.3 卷积神经网络的基本结构 46
3.4 基于卷积神经网络实现MNIST 手写数字识别 49
数字分类 52
本章总结 55
作业与练习 55
第 4 章 优化算法与模型管理 57
4.1 数据增强 57
4.2 梯度下降优化 60
4.3 模型的保存与加载 62
4.4 项目案例：车辆识别 64
本章总结 70
作业与练习 70
第 2 部分 深度学习进阶算法与应用 73
第 5 章 深度卷积神经网络 74
5.1 深度卷积神经网络的概述 74
5.2 AlexNet 75
5.3 VGG 79
5.4 NiN 81
5.5 GoogLeNet 85
5.6 项目案例：车辆多属性识别 90
本章总结 100
作业与练习 100
第 6 章 高效的卷积神经网络 102
6.1 ResNet 102
6.2 DenseNet 109
6.3 MobileNet 112
6.4 项目案例：违规驾驶行为识别 114
本章总结 126
作业与练习 126
第 7 章 目标检测 128
7.1 目标检测的概述 128
7.2 两阶段目标检测 129
7.3 一阶段目标检测 133
7.4 项目案例：车辆检测 137
本章总结 144
作业与练习 144
第 8 章 循环神经网络 145
8.1 循环神经网络的概述 145
8.2 LSTM 神经网络 147
8.3 GRU 神经网络 148
8.4 项目案例：文本生成 149
本章总结 159
作业与练习 159
第 9 章 深度循环神经网络 160
9.1 深度循环神经网络的概述 160
9.2 项目案例：短时交通流量预测 163
本章总结 177
作业与练习 177
第 3 部分 时空数据模型与应用 179
第 10 章 CNN-LSTM 混合模型 180
10.1 编码器-解码器模型 180
10.2 项目案例：基于时空特征的交通事故预测 183
本章总结 193
作业与练习 193
第 11 章 多元时间序列神经网络 195
11.1 图 195
11.2 图卷积网络 198
11.3 多元时间序列神经网络的概述 205
11.4 项目案例：基于 DCRNN实现交通流量预测 209
本章总结 226
作业与练习 227
第 12 章 MTGNN 与交通流量预测 228
12.1 基于 MTGNN 实现交通流量预测 228
12.2 PyTorch-Lightning 231
12.3 项目案例：基于 MTGNN实现交通流量预测 232
本章总结 245
作业与练习 246
第 13 章 注意力机制 247
13.1 注意力机制的概述 247
13.2 项目案例：视频异常检测 253
本章总结 266
作业与练习 266
第 14 章 Transformer 268
14.1 Transformer 的概述 268
14.2 Self-Attention 机制 271
14.3 项目案例：轨迹预测 275
本章总结 290
作业与练习 290
第 4 部分 生成对抗网络及其应用 293
第 15 章 生成对抗网络 294
15.1 生成对抗网络的概述 294
15.2 TecoGAN 模型 296
15.3 项目案例：视频超分辨率 298
本章总结 306
作业与练习 306
第 16 章 车牌检测与识别 307
16.1 项目案例：车牌检测与识别 307
16.2 项目案例实现 312
本章总结 323
作业与练习 324
点击下载