新書推薦：
《
中国佛教美学典藏·佛教绘画部·绢帛佛画
》
售價：NT$
2240.0
《
中国色：手艺里的中国色彩美学
》
售價：NT$
493.0
《
中国文化文物和旅游统计年鉴2023
》
售價：NT$
1669.0
《
琴学论集：古琴传承与人文生态
》
售價：NT$
773.0
《
天理与秩序：宋代政治伦理思想研究
》
售價：NT$
549.0
《
怎么办？
》
售價：NT$
442.0
《
明代文艺思想史
》
售價：NT$
2688.0
《
原始之美：萨满教与西方人的想象
》
售價：NT$
717.0
|
| 編輯推薦： |
哪些人需要这本书？
——大专院校理工科本科生、研究生，可作为教材使用
——人工智能相关企业的内部培训教材
——准备应聘深度学习算法工程师的技术人员，可作为技术参考书使用
——准备转岗进入人工智能行业的技术人员，可作为自学入门书籍
|
| 內容簡介： |
|
本书是一本深度学习从入门、算法到应用实践的书籍。全书共9章，第1章介绍深度学习基础，主要介绍基本概念和基本算法；第2章介绍深度学习的计算平台，主要介绍深度神经网络计算芯片TPU的架构原理；第3章介绍深度学习编程环境和操作基础，引导零基础读者快速入门Linux操作系统、Python编程语言、TensorFlow和PyTorch深度学习框架，为实现深度学习算法开发及应用部署奠定基础；第4～8章基于卷积神经网络，分别聚焦计算机视觉领域的几大经典任务，包括图像的分类、目标检测、语义分割、实例分割、人脸检测与识别等；第9章介绍循环神经网络，关注时序序列处理任务。本书每章讲解一系列经典神经网络的创新性思路，给出了详细的模型结构解析，并提供了具体的实践项目。从代码解析、网络训练、网络推理到模型部署，带领读者从理论一步步走向实践。 本书既可作为高等学校深度学习相关课程的教材，也可作为从事人工智能应用系统开发的科研和技术人员参考用书。
|
| 目錄：
|
第1章深度学习基础/1
1.1人工智能概述1
1.1.1人工智能在各领域中的应用1
1.1.2人工智能、机器学习和深度学习3
1.2深度学习的基本原理5
1.2.1神经元5
1.2.2人工神经网络8
1.2.3反向传播算法11
1.2.4神经网络的数据结构——张量18
1.3卷积神经网络18
1.3.1卷积层19
1.3.2池化层21
1.3.3归一化层21
1.3.4全连接层22
1.3.5Softmax函数22
1.3.6损失函数23
1.3.7卷积神经网络的特点24
1.3.8卷积神经网络的发展25
1.4迁移学习26
1.5模型训练超参数27
1.6深度学习在计算机视觉中的典型应用28
1.7数据集29
1.7.1数据集的划分30
1.7.2数据集的预处理30
1.7.3数据集的标注33
1.7.4常用数据集35
1.8深度学习框架47
1.9深度学习的计算特点47
第2章深度学习的计算平台/49
2.1神经网络计算加速芯片512.1.1神经网络的计算特点51
2.1.2神经网络的计算芯片52
2.2TPU架构与原理54
2.2.1谷歌TPU架构与原理56
2.2.2算能TPU架构与原理61
2.3算能TPU硬件架构及产品形态63
2.3.1算能TPU的芯片硬件架构63
2.3.2算能TPU的产品形态65
2.4算能TPU软件架构65
2.4.1实时视频流处理方案66
2.4.2深度学习软件开发工具包67
2.4.3离线模型转换68
2.4.4在线模型推理69
2.4.5自定义算子69
2.4.6模型量化加速70
2.4.7高级接口编程库70
〖1〗深度学习算法与实践目录〖3〗〖3〗第3章深度学习编程环境操作基础/72
3.1Linux入门72
3.1.1Linux系统的安装简介72
3.1.2Linux系统的常用命令73
3.1.3Linux的文本编辑器75
3.2Python入门75
3.2.1Python环境的安装和使用75
3.2.2PyCharm集成开发环境的安装和使用76
3.2.3常用Python库79
3.2.4Python虚拟环境79
3.3TensorFlow入门81
3.3.1TensorFlow的安装81
3.3.2TensorFlow的基本操作82
3.3.3使用TensorFlow实现手写数字识别85
3.4PyTorch入门87
3.4.1PyTorch的安装87
3.4.2PyTorch的基本操作88
3.4.3使用PyTorch实现手写数字识别89
3.5SE5平台开发环境92
3.5.1SE5应用系统开发的硬件环境92
3.5.2SE5应用系统开发的软件环境93
第4章图像分类/96
4.1图像分类任务介绍96
4.2典型分类网络解析97
4.2.1LeNet5手写数字识别神经网络97
4.2.2AlexNet图像分类网络99
4.2.3VGGNet图像分类网络102
4.2.4GoogLeNet图像分类网络106
4.2.5ResNet残差图像分类网络110
4.2.6DenseNet密集连接卷积网络115
4.2.7SENet压缩激励图像分类网络119
4.3实践项目一： 基于LeNet5神经网络的手写数字识别120
4.3.1实践项目内容120
4.3.2微调的LeNet5网络结构121
4.3.3TensorFlow 2.x框架下程序实现122
4.3.4LeNet5模型训练和测试过程125
4.3.5LeNet5网络模型在SE5上的部署125
4.4实践项目二： 基于ResNet神经网络的猫狗分类130
4.4.1实践项目内容130
4.4.2Dogs vs. Cats数据集简介130
4.4.3ResNet18网络结构130
4.4.4PyTorch框架下程序实现132
4.4.5ResNet18模型训练和测试过程136
4.4.6ResNet18网络模型在SE5上的部署137
第5章目标检测/142
5.1目标检测任务介绍142
5.1.1目标检测任务142
5.1.2预备知识143
5.1.3评估准则147
5.2两阶段目标检测算法150
5.2.1RCNN150
5.2.2Fast RCNN151
5.2.3Faster RCNN152
5.3单阶段目标检测算法160
5.3.1YOLOv1160
5.3.2YOLOv2165
5.3.3YOLOv3172
5.3.4YOLOv4175
5.3.5YOLOv5180
5.3.6FCOS185
5.3.7DETR188
5.4实践项目： 基于YOLOv5s的目标检测190
5.4.1实践项目内容190
5.4.2YOLOv5s网络结构190
5.4.3PyTorch框架下程序实现190
5.4.4YOLOv5s网络模型训练和测试过程196
5.4.5YOLOv5s网络模型在SE5上的部署197
第6章语义分割/200
6.1语义分割任务介绍200
6.1.1语义分割任务200
6.1.2预备知识200
6.1.3评估准则201
6.2典型语义分割网络203
6.2.1FCN203
6.2.2UNet205
6.2.3SegNet206
6.2.4PSPNet208
6.2.5ICNet210
6.2.6DeepLab系列214
6.3实践项目： 基于ICNet的语义分割217
6.3.1实践项目内容217
6.3.2数据集217
6.3.3ICNet网络结构218
6.3.4TensorFlow框架下程序实现218
6.3.5ICNet网络模型训练和测试过程226
6.3.6ICNet网络模型在SE5上的部署227
第7章实例分割/230
7.1实例分割任务介绍230
7.1.1实例分割任务230
7.1.2评估准则230
7.2典型实例分割网络231
7.2.1Mask RCNN231
7.2.2YOLACT与YOLACT 237
7.2.3SOLO和SOLOv2243
7.3实践项目： 基于Mask RCNN的实例分割251
7.3.1实践项目内容251
7.3.2Mask RCNN网络结构251
7.3.3TensorFlow框架下程序实现251
7.3.4Mask RCNN网络测试过程256
7.3.5Mask RCNN网络模型在SE5上的部署256
第8章人脸检测与识别/258
8.1人脸检测与识别任务介绍258
8.1.1人脸检测与识别及其应用258
8.1.2人脸识别系统构成258
8.1.3常用数据集介绍259
8.1.4评估准则260
8.2人脸检测网络262
8.2.1MTCNN人脸检测网络262
8.2.2RetinaFace人脸检测网络264
8.3人脸对齐268
8.4人脸特征提取网络269
8.4.1人脸特征提取网络原理269
8.4.2FaceNet272
8.4.3ArcFace/InsightFace275
8.5实践项目一： 基于PC的MTCNN ArcFace实时人脸检测和识别281
8.5.1实践项目内容281
8.5.2PyTorch框架下程序实现281
8.5.3人脸识别系统测试290
8.6实践项目二： 基于SE5的RetinaFace FaceNet实时人脸检测和识别291
8.6.1实践项目内容291
8.6.2系统方案291
8.6.3PyTorch框架下程序实现292
8.6.4人脸识别系统测试297
第9章循环神经网络/299
9.1循环神经网络原理299
9.1.1循环神经网络299
9.1.2长短期记忆网络301
9.1.3门控循环单元网络302
9.1.4双向循环神经网络303
9.2实践项目： 基于LSTM的股票预测304
9.2.1实践项目内容304
9.2.2数据集304
9.2.3股票预测方法304
9.2.4TensorFlow框架下程序实现306
9.2.5LSTM网络模型训练和测试过程311
9.2.6LSTM网络模型在SE5上的部署312
参考文献/3151.1人工智能概述1
1.1.1人工智能在各领域中的应用1
1.1.2人工智能、机器学习和深度学习3
1.2深度学习的基本原理5
1.2.1神经元5
1.2.2人工神经网络8
1.2.3反向传播算法11
1.2.4神经网络的数据结构——张量18
1.3卷积神经网络18
1.3.1卷积层19
1.3.2池化层21
1.3.3归一化层21
1.3.4全连接层22
1.3.5Softmax函数22
1.3.6损失函数23
1.3.7卷积神经网络的特点24
1.3.8卷积神经网络的发展25
1.4迁移学习26
1.5模型训练超参数27
1.6深度学习在计算机视觉中的典型应用28
1.7数据集29
1.7.1数据集的划分30
1.7.2数据集的预处理30
1.7.3数据集的标注33
1.7.4常用数据集35
1.8深度学习框架47
1.9深度学习的计算特点47
第2章深度学习的计算平台/49
2.1神经网络计算加速芯片512.1.1神经网络的计算特点51
2.1.2神经网络的计算芯片52
2.2TPU架构与原理54
2.2.1谷歌TPU架构与原理56
2.2.2算能TPU架构与原理61
2.3算能TPU硬件架构及产品形态63
2.3.1算能TPU的芯片硬件架构63
2.3.2算能TPU的产品形态65
2.4算能TPU软件架构65
2.4.1实时视频流处理方案66
2.4.2深度学习软件开发工具包67
2.4.3离线模型转换68
2.4.4在线模型推理69
2.4.5自定义算子69
2.4.6模型量化加速70
2.4.7高级接口编程库70
〖1〗深度学习算法与实践目录〖3〗〖3〗第3章深度学习编程环境操作基础/72
3.1Linux入门72
3.1.1Linux系统的安装简介72
3.1.2Linux系统的常用命令73
3.1.3Linux的文本编辑器75
3.2Python入门75
3.2.1Python环境的安装和使用75
3.2.2PyCharm集成开发环境的安装和使用76
3.2.3常用Python库79
3.2.4Python虚拟环境79
3.3TensorFlow入门81
3.3.1TensorFlow的安装81
3.3.2TensorFlow的基本操作82
3.3.3使用TensorFlow实现手写数字识别85
3.4PyTorch入门87
3.4.1PyTorch的安装87
3.4.2PyTorch的基本操作88
3.4.3使用PyTorch实现手写数字识别89
3.5SE5平台开发环境92
3.5.1SE5应用系统开发的硬件环境92
3.5.2SE5应用系统开发的软件环境93
第4章图像分类/96
4.1图像分类任务介绍96
4.2典型分类网络解析97
4.2.1LeNet5手写数字识别神经网络97
4.2.2AlexNet图像分类网络99
4.2.3VGGNet图像分类网络102
4.2.4GoogLeNet图像分类网络106
4.2.5ResNet残差图像分类网络110
4.2.6DenseNet密集连接卷积网络115
4.2.7SENet压缩激励图像分类网络118
4.3实践项目一： 基于LeNet5神经网络的手写数字识别120
4.3.1实践项目内容120
4.3.2微调的LeNet5网络结构121
4.3.3TensorFlow 2.x框架下程序实现121
4.3.4LeNet5模型训练和测试过程124
4.3.5LeNet5网络模型在SE5上的部署125
4.4实践项目二： 基于ResNet神经网络的猫狗分类129
4.4.1实践项目内容129
4.4.2Dogs vs. Cats数据集简介129
4.4.3ResNet18网络结构130
4.4.4PyTorch框架下程序实现131
4.4.5ResNet18模型训练和测试过程135
4.4.6ResNet18网络模型在SE5上的部署136
第5章目标检测/141
5.1目标检测任务介绍141
5.1.1目标检测任务141
5.1.2预备知识142
5.1.3评估准则146
5.2两阶段目标检测算法149
5.2.1RCNN149
5.2.2Fast RCNN150
5.2.3Faster RCNN151
5.3单阶段目标检测算法159
5.3.1YOLOv1159
5.3.2YOLOv2164
5.3.3YOLOv3171
5.3.4YOLOv4174
5.3.5YOLOv5179
5.3.6FCOS184
5.3.7DETR188
5.4实践项目： 基于YOLOv5s的目标检测189
5.4.1实践项目内容189
5.4.2YOLOv5s网络结构190
5.4.3PyTorch框架下程序实现191
5.4.4YOLOv5s网络模型训练和测试过程195
5.4.5YOLOv5s网络模型在SE5上的部署197
第6章语义分割/200
6.1语义分割任务介绍200
6.1.1语义分割任务200
6.1.2预备知识200
6.1.3评估准则201
6.2典型语义分割网络203
6.2.1FCN203
6.2.2UNet205
6.2.3SegNet206
6.2.4PSPNet207
6.2.5ICNet210
6.2.6DeepLab系列214
6.3实践项目： 基于ICNet的语义分割217
6.3.1实践项目内容217
6.3.2数据集217
6.3.3ICNet网络结构218
6.3.4TensorFlow框架下程序实现218
6.3.5ICNet网络模型训练和测试过程226
6.3.6ICNet网络模型在SE5上的部署227
第7章实例分割/230
7.1实例分割任务介绍230
7.1.1实例分割任务230
7.1.2评估准则230
7.2典型实例分割网络231
7.2.1Mask RCNN231
7.2.2YOLACT与YOLACT 237
7.2.3SOLO和SOLOv2243
7.3实践项目： 基于Mask RCNN的实例分割251
7.3.1实践项目内容251
7.3.2Mask RCNN网络结构251
7.3.3TensorFlow框架下程序实现251
7.3.4Mask RCNN网络测试过程256
7.3.5Mask RCNN网络模型在SE5上的部署256
第8章人脸检测与识别/258
8.1人脸检测与识别任务介绍258
8.1.1人脸检测与识别及其应用258
8.1.2人脸识别系统构成258
8.1.3常用数据集介绍259
8.1.4评估准则260
8.2人脸检测网络262
8.2.1MTCNN人脸检测网络262
8.2.2RetinaFace人脸检测网络264
8.3人脸对齐268
8.4人脸特征提取网络269
8.4.1人脸特征提取网络原理269
8.4.2FaceNet272
8.4.3ArcFace/InsightFace275
8.5实践项目一： 基于PC的MTCNN ArcFace实时人脸检测和识别281
8.5.1实践项目内容281
8.5.2PyTorch框架下程序实现281
8.5.3人脸识别系统测试290
8.6实践项目二： 基于SE5的RetinaFace FaceNet实时人脸检测和识别291
8.6.1实践项目内容291
8.6.2系统方案291
8.6.3PyTorch框架下程序实现292
8.6.4人脸识别系统测试297
第9章循环神经网络/299
9.1循环神经网络原理299
9.1.1循环神经网络299
9.1.2长短期记忆网络301
9.1.3门控循环单元网络302
9.1.4双向循环神经网络303
9.2实践项目： 基于LSTM的股票预测304
9.2.1实践项目内容304
9.2.2数据集304
9.2.3股票预测方法304
9.2.4TensorFlow框架下程序实现306
9.2.5LSTM网络模型训练和测试过程311
9.2.6LSTM网络模型在SE5上的部署312
参考文献/315
|
| 內容試閱：
|
近十年来，深度学习推动了人工智能（AI）技术的迅猛发展。深度学习的学术研究领域就像一条条短跑赛道，优秀的网络模型、数据集、算力设备不断涌现，你追我赶。常常是一个性能不错的学术成果推出之后，不久就会有另一个新的成果大幅超越前者的性能。在学术界的快速突破和产业界旺盛的商业需求推动下，深度学习很快应用到了自动驾驶、无人机、互联网搜索、手机、智慧城市等各个领域。随之而来的是对AI领域人力资源的需求大大增加，人才竞争激烈。很多院校都开设了人工智能或深度学习等课程，还有很多理工科背景的工程技术人员也希望通过自学进入人工智能领域。无论是院校教学还是企业培训、个人发展，都需要能够贴近实际的人工智能书籍，以满足教学和自学的需要。
深度学习是一个知识体系，涵盖了数学、算法、工具、编程等多方面的内容，令许多初学者“望而生畏”。关于深度学习的论文、代码、书籍、网站、博客、视频等资料非常之多，许多初学者面对如此浩瀚的资源感觉无从下手。学习深度学习的最佳途径是阅读网络的经典论文及其代码，并进行动手实践。然而，许多初学者读不懂论文和代码，往往陷入“代码跑不通”或“只跑了代码但看不懂”的困境。
本书作者深感于以上问题，在给研究生开设的计算机视觉及深度学习相关课程的基础上编写了这本书。我们将带领读者学习深度学习的关键知识点和实操工具，学习图像分类、目标检测、语义/实例分割等主题任务中的经典神经网络知识，并以项目实践的形式，一步步带领读者感受和领略深度学习的魅力。
本书面向初学者，在全书知识点的选择上不追求大而全，而是选择最关键和最常用的一些知识点并期望把它们讲解透彻，以满足深度学习的入门需求。本书的预备知识仅限于线性代数、微积分、概率等最基本概念，对读者知识背景要求较低。
本书的每个主题任务章节都可概括为任务的基本知识、神经网络算法解析和实践项目3个部分。基本知识部分讲解任务的基本概念、神经网络算法的发展及预备知识。在神经网络算法解析部分，以时间为主线，讲解经典神经网络的发展和创新，循序渐进地引导读者，避免搭建“空中楼阁”，避免学习过程中的“知其然而不知其所以然”。例如，在第4章图像分类中，从最早的LeNet5手写数字识别神经网络讲起，介绍神经网络不断改进和优化的过程，一直到后期性能卓越的ResNet、SENet等。在学习中了解先行者的原创性思路和方法，对于我们在今后的学习和工作中借鉴前人思路、解决自己的问题、设计自己的神经网络是非常有帮助的。实践项目部分选择较为常用的神经网络算法，提供了完整的程序源代码，并对主要内容加以解析和详细的实践步骤指导。读者可通过实践部分掌握深度学习项目的环境搭建，以及神经网络模型的训练、测试和部署。
深度神经网络的训练和部署应用需要强大的计算能力（算力）支持。当前，研究者和开发者通常使用CPU GPU的计算平台进行神经网络的训练和测试，而应用部署则可以在低成本、低功耗、小体积、高算力的TPU设备上实现。TPU是2016年美国谷歌公司推出的ASIC芯片，专用于深度神经网络加速计算。国内华为、寒武纪等公司也紧跟其后，加大发展TPU的力度。算能公司至2022年已经发展到第5代自主知识产权的TPU芯片。本书第2章介绍了谷歌和算能的TPU架构原理，第4～9章提供了基于算能SE5 TPU平台的算法部署实践。
我们期望本书能够助力读者掌握前沿AI算法及前沿AI算力设备，助力广大读者抓住人工智能发展机遇，促进人工智能技术更深远广泛的科技创新和场景落地。
本书由郝晓莉总体策划、组织和撰写。第1章由郝晓莉和王昌利完成。第2章由胡雨、李岑撰写初稿，王昌利和郝晓莉修改完成。第3章由郝晓莉、杨建、景辉完成，李丹、藤若予、王学卿、江洁参与了本章的编写工作。第4章由郝晓莉、侯亚丽、王昌利完成，凌峰、常天星参与了本章实践项目的开发。第5章由王昌利、侯亚丽、郝晓莉完成，常天星、姚昊江、藤若予参与了本章实践项目的开发。第6章由郝晓莉、王昌利完成，刘爽和杨玉源参与了本章的编写工作。第7章由郝晓莉、侯亚丽、王昌利完成，常天星进行了本章实践项目的开发。第8章由王昌利、景辉、郝晓莉完成。第9章由郝晓莉、王昌利、杨健完成。申艳在课程开展和写书过程中提供了许多支持。
感谢学生们对本书实验案例做出的贡献。凌峰、刘爽开发了最初版的PC端实验案例及SE3端的算法移植，杨建、刘爽、常天星、江洁在课程的SE3实验平台搭建、调试和答疑中发挥了很大作用。常天星、杨建进一步开发并完善了实验案例及SE5端的算法移植，樊志兴、藤若予、李丹参与了所有PC端和SE5端实验的完善和验证。
感谢算能公司的大力支持，让我们得以为广大读者提供深度学习算法在前沿AI算力设备的部署实践指导。李贺、郑伟、张紫祥、王智慧、汤炜炜、陈昊、余良凯等对开设SE3实验提供了支持，赵红爱、张晨郦、李清、蒋国跃对本书的写作给予了支持，郭尚霖等对SE5实验给予了技术支持并提供了有益的建议。
感谢本书的编辑龙启铭老师，龙老师给予的建议总是简洁、明确而且富有建设性。
本书难免存在一些错误，欢迎广大读者批评指正。在本书的编写过程中，参考了大量的论文、书籍和网络资料，在此感谢这些作者们的无私奉献。如果本书在参考文献中遗漏了您的成果，请联系本书作者予以更正。
编者
2023年1月
|
|
購物車/收銀台(
0
) | 在線留言板
| 付款方式
| 聯絡我們
| 運費計算
| 幫助中心 |
加入書簽
HOME
新書上架
