深度学习优化与识别.pdf
http://www.100md.com
2020年12月1日
 |
| 第1页 |
 |
| 第10页 |
 |
| 第20页 |
 |
| 第26页 |
 |
| 第43页 |
 |
| 第406页 |
参见附件(167583KB，411页)。
《深度学习、优化与识别》理论部分均从模型产生的本源来介绍，并给出各个经典模型之间内在的相互联系。《深度学习、优化与识别》实践应用部分对相关任务做了详尽的分析，并给出深度学习应用实践的经验总结。
本书特色
深度学习是计算机科学与人工智能的重要组成部分。全书16章，分为理论与实践应用两部分，同时介绍5种深度学习主流平台的特性与应用，后给出了深度学习的前沿进展介绍，另附带47种相关网络模型的实现代码。本书具有以下的特点：
一、内容系统全面
《深度学习、优化与识别》共16章，覆盖了深度学习当前出现的诸多经典框架或模型，《深度学习、优化与识别》分为两个部分。《深度学习、优化与识别》第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法，如卷积神经网络、深度生成模型等；第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用，如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及新研究进展，提供可基于5种平台实现的47中深度网络代码，以便有兴趣的读者进一步钻研探索。
二、叙述立场客观
作为深度学习的入门教材，尽可能不带偏见地对材料进行分析、加工以及客观介绍。《深度学习、优化与识别》理论部分均从模型产生的本源来介绍，并给出各个经典模型之间内在的相互联系。《深度学习、优化与识别》实践应用部分对相关任务做了详尽的分析，并给出深度学习应用实践的经验总结。
三、设计装帧精美
《深度学习、优化与识别》设计人性化，文字、公式、数学符号混排格式美观精致，特别是，《深度学习、优化与识别》全书采用全彩印制，软精装装帧。封面设计清新却不脱俗、学术化，足可以看出出版社和作者的用心。
内容简介
深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。《深度学习、优化与识别》系统地论述了深度神经网络基本理论、算法及应用。《深度学习、优化与识别》全书共16章，分为两个部分；第一部分(第1章～10章)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(第11～15章)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16章为总结与展望，给出了深度学习发展的历史图、前沿方向及进展。《深度学习、优化与识别》每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。
《深度学习、优化与识别》可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关专业本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。
作者简介
焦李成，男，汉族，1959年10月生，1992年起任西安电子科技大学教授。现任智能感知与计算国际联合研究中心主任、智能感知与图像理解教育部重点实验室主任、智能感知与计算国际合作联合实验室主任、“智能信息处理科学与技术”高等学校学科创新引智基地(“111计划”)主任、教育部科技委国际合作部学部委员、中国人工智能学会副理事长、IET西安分会主席、IEEE西安分会奖励委员会主席、IEEE计算智能协会西安分会主席、IEEEGRSS西安分会主席，IEEETGRS副主编、教育部创新团队首席专家。国务院学位委员会学科评议组成员、教育部本科教学水平评估专家。1991年被批准为享受国务院政府津贴的专家，1996年首批入选国家“百千万”人才工程。当选为全国模范教师、陕西省师德标兵和曾任第八届全国人大代表。
焦李成教授的主要研究方向为智能感知与计算、图像理解与目标识别、深度学习与类脑计算，培养的十余名博士获全国优秀博士学位论文奖、提名奖及陕西省优秀博士论文奖。研究成果获包括国家自然科学奖二等奖及省部级一等奖以上科技奖励十余项，出版学术专著十余部，五次获国家优秀科技图书奖励及全国首届三个一百优秀图书奖。所发表的论著被他人引用超过25000余篇次，H指数为65。
什么是强化学习
强化学习是机器学习的一个分支，它讲究在一系列的情景之下，通过多步恰当的决策来达到一个目标，是一种序列多步决策的问题。与传统的机器学习算法不同，需要对情景及恰当的决策之间进行搜索，根据反馈对这种搜索策略进行奖罚，与人类与环境的交互方式类以。强化学习任务通常用马尔可夫决策过程来描述：包括环境E、状态空间x、机器搜索策略P、动作空间A、反馈机制V(即当前环境对搜索策略选择下的动作的积极/消极反馈)等，其中每个状态rEX为感知器对当前环境的描述，在某个合理的策略选择下pEP(需要训练学习)，得到的动作aEA作用在当前的状态x上，使得环境从当前状态按照某种概率转移到另一个状态yEX；状态改变后的环境会根据从状态x到状态y的积极或消极特性(这种特性通过条件概率来刻画)对这个策略选择p进行奖罚。
深度学习优化与识别截图
您现在查看是摘要介绍页， 详见PDF附件(167583KB，411页)。