国产女人高潮抽搐免费视频,国产亚洲另类无码专区国语

本書分為基礎(chǔ)、進階、實戰(zhàn)三部分，共11章。基礎(chǔ)部分，包括Python環(huán)境與基礎(chǔ)、機器學習、圖像處理基礎(chǔ)、深度學習基礎(chǔ)與深度神經(jīng)網(wǎng)絡。進階部分，包括圖神經(jīng)網(wǎng)絡、空洞多級卷積神經(jīng)網(wǎng)絡、深度強化學習與深度生成對抗網(wǎng)絡。實戰(zhàn)部分，包括基礎(chǔ)實戰(zhàn)案例和進階實戰(zhàn)案例。本書按基礎(chǔ)-進階-應用的邏輯脈絡組織內(nèi)容，融理論性、系統(tǒng)性、實戰(zhàn)性于一體，適合人工智能、計算機、自動化、電子與通信、大數(shù)據(jù)科學等相關(guān)專業(yè)的科學研究人員和工程技術(shù)人員閱讀，也可作為相關(guān)專業(yè)博士、碩士研究生的教學參考書。

前言深度學習（Deep Learning，DL）是機器學習（Machine Learning，ML）領(lǐng)域中一個新的研究方向。深度學習旨在學習樣本數(shù)據(jù)的內(nèi)在規(guī)律和層次表示，在學習過程中，使機器獲得信息并具備人類的分析和學習能力，從而可以模仿人類的視聽和思考活動。通過逐步解決一系列簡單問題，深度學習能夠有效解決眾多復雜的模式識別難題，使人工智能相關(guān)技術(shù)取得了很大進步。本書匯集了作者團隊在深度學習與圖像處理領(lǐng)域多年的研究心得和研究成果，同時借鑒了國內(nèi)外重要期刊發(fā)表的最新研究成果以及相關(guān)博士、碩士學位論文中的精華內(nèi)容。本書分為三部分，共11章，具體內(nèi)容如下。第一部分是基礎(chǔ)部分，共5章。第1章為Python環(huán)境與基礎(chǔ)，簡述了Python語言的開發(fā)環(huán)境、Python基礎(chǔ)知識、基于Python的數(shù)據(jù)分析與可視化，以及基于Python的聚類算法。第2章為機器學習，詳細介紹了機器學習和數(shù)據(jù)挖掘的相關(guān)內(nèi)容。第3章為圖像處理基礎(chǔ)，介紹了圖像去模糊、圖像去噪、圖像全色銳化及圖像修復。第4章為深度學習基礎(chǔ)，介紹了神經(jīng)網(wǎng)絡及其訓練與優(yōu)化、反向傳播算法及欠擬合與過擬合問題。第5章為深度神經(jīng)網(wǎng)絡，首先簡要介紹了深度神經(jīng)網(wǎng)絡概述，然后重點介紹了卷積神經(jīng)網(wǎng)絡及其算法，以及卷積神經(jīng)網(wǎng)絡的訓練與優(yōu)化。第二部分是進階部分，共4章。第6章為圖神經(jīng)網(wǎng)絡，介紹了圖神經(jīng)網(wǎng)絡概述、經(jīng)典的圖神經(jīng)網(wǎng)絡以及其他圖神經(jīng)網(wǎng)絡模型。第7章為空洞多級卷積神經(jīng)網(wǎng)絡，分別介紹了空洞多級模塊、基于卷積神經(jīng)網(wǎng)絡的高效Pan-sharpening模型、深度學習結(jié)合模型優(yōu)化的Pan-sharpening模型和多尺度空洞深度卷積神經(jīng)網(wǎng)絡。第8章為深度強化學習，首先介紹了它的組成與結(jié)構(gòu)，然后介紹了深度學習與強化學習的不同與結(jié)合，最后分析了基于值函數(shù)的深度強化學習和基于策略梯度的深度強化學習。第9章為深度生成對抗網(wǎng)絡，分別介紹了生成對抗網(wǎng)絡、多尺度生成對抗網(wǎng)絡、深度卷積生成對抗網(wǎng)絡、半監(jiān)督深度卷積生成對抗網(wǎng)絡和深度強化對抗學習網(wǎng)絡。第三部分是實戰(zhàn)部分，共2章。第10章為基礎(chǔ)實戰(zhàn)案例，包括Python開發(fā)環(huán)境的安裝與驗證以及基于PCA-BP神經(jīng)網(wǎng)絡的數(shù)字儀器識別技術(shù)。通過基礎(chǔ)實戰(zhàn)案例，讀者能初步架起神經(jīng)網(wǎng)絡與實際問題解決之間的橋梁，起拋磚引玉之功效。第11章為進階實戰(zhàn)案例，包括基于深度卷積神經(jīng)網(wǎng)絡的遙感圖像分類、基于多尺度級聯(lián)生成對抗網(wǎng)絡的水下圖像增強、基于多層次卷積特征融合與高置信度更新的跟蹤、基于圖生成對抗卷積網(wǎng)絡的半監(jiān)督睡眠分期、基于密集連接的序列稀疏化Transformer行人重識別、基于改進YOLOv5網(wǎng)絡的無人機圖像檢測和基于級聯(lián)多尺度特征融合殘差網(wǎng)絡的圖像去噪。每個案例都沿著問題引入、原理導入、模型構(gòu)建、仿真驗證、結(jié)果分析的路徑，從多角度分析、多原理融合、多要素實驗等維度，全面深入地展現(xiàn)了深度學習在解決圖像處理問題中的應用過程。通過部分實戰(zhàn)案例代碼，引導讀者身臨其境地參與實踐。只要細心體味、勇于實踐、善于創(chuàng)新，讀者一定能夠取得事半功倍的效果。本書圍繞深度學習在圖像處理領(lǐng)域的最新研究成果，從科學性、系統(tǒng)性、應用性和進階性四個視角進行了全面闡述。從科學性視角出發(fā)，詳細介紹了深度學習網(wǎng)絡進階模型的原理與特征；從系統(tǒng)性視角出發(fā)，本書所涉及的各種深度學習網(wǎng)絡均起始于結(jié)構(gòu)剖析，側(cè)重于原理論述，落腳于方法在圖像處理領(lǐng)域的應用，形成了完整的體系結(jié)構(gòu)；從應用性視角出發(fā)，本書以圖像處理中的最新應用為實戰(zhàn)案例，展示了用深度學習解決圖像處理問題的全過程，實現(xiàn)了抽象問題具體化和理論問題可視化；從進階性視角出發(fā)，本書從Python語言的基礎(chǔ)開始，逐步延伸到機器學習、圖像處理基礎(chǔ)、標準深度學習模型、進階深度學習模型以及應用實戰(zhàn)，擴展了深度學習網(wǎng)絡的功能，提升了應用實效。這些內(nèi)容為研究人員提供了創(chuàng)新思路和方法。本書由郭業(yè)才和梁美玉合著。其中，第1章到第7章，第10章及第11章中11.1節(jié)到11.5節(jié)和11.7節(jié)由郭業(yè)才著，而第8章、第9章及第11.6節(jié)由梁美玉著。本書在形成過程中，得到了國家一流專業(yè)電子信息工程建設項目、江蘇省高校十四五重點學科電子科學與技術(shù)、江蘇省集成電路可靠性技術(shù)及檢測系統(tǒng)工程研究中心、無錫俊騰信息科技有限公司等的資助。在編寫過程中，胡曉偉、周雪、孫京東、劉程、陽剛等研究生提供了幫助；對參閱并引用其他作者的相關(guān)論著，已列在參考文獻中，如有遺漏，誠請原作者諒解。本書的出版還得到了機械工業(yè)出版社的大力支持，在此一并表示誠摯的謝意！由于作者水平有限，書中難免存在不當之處，敬請廣大讀者批評指正！

第1章Python環(huán)境與基礎(chǔ)11.1Python語言的開發(fā)環(huán)境11.1.1Jupyter Notebook11.1.2OpenCV11.1.3TensorFlow21.1.4PyTorch31.1.5Paddle Paddle71.2Python基礎(chǔ)知識81.2.1Python編程基礎(chǔ)81.2.2Python函數(shù)進階151.3基于Python的數(shù)據(jù)分析與可視化221.3.1Python的數(shù)據(jù)分析庫與數(shù)據(jù)可視化庫221.3.2基于Python的數(shù)據(jù)分析231.3.3基于Python的數(shù)據(jù)可視化231.4基于Python的聚類算法251.4.1聚類分析251.4.2聚類算法25第2章機器學習372.1機器學習的發(fā)展382.2機器學習的問題描述392.3機器學習的理論基礎(chǔ)與主要方法392.3.1機器學習的理論基礎(chǔ)392.3.2機器學習的主要方法402.3.3機器學習的經(jīng)典模型422.3.4機器學習的知識圖譜442.3.5機器學習的三要素462.4機器學習的基本流程462.4.1機器學習的訓練流程462.4.2模型訓練的注意事項482.5數(shù)據(jù)挖掘及其基本步驟492.5.1數(shù)據(jù)挖掘492.5.2預測建模512.5.3數(shù)據(jù)挖掘的基本步驟522.6機器學習和數(shù)據(jù)挖掘的常用工具53目錄···深度學習與圖像處理：基礎(chǔ)、進階與案例實戰(zhàn)第3章圖像處理基礎(chǔ)553.1圖像去模糊553.1.1圖像模糊類型553.1.2圖像模糊退化模型573.1.3圖像先驗知識583.2圖像去噪603.2.1噪聲模型603.2.2傳統(tǒng)的圖像去噪方法633.2.3去噪效果評價指標633.3圖像全色銳化643.3.1成分替換法643.3.2GIHS變換融合653.3.3PCA變換融合663.3.4GS變換融合673.3.5多分辨率分析法673.3.6小波變換法683.3.7模型優(yōu)化法693.4圖像修復733.4.1圖像修復概念733.4.2傳統(tǒng)的圖像修復算法733.4.3常用的圖像修復數(shù)據(jù)集74第4章深度學習基礎(chǔ)754.1神經(jīng)網(wǎng)絡754.1.1生物神經(jīng)元與人工神經(jīng)元764.1.2感知器784.2神經(jīng)網(wǎng)絡的訓練與優(yōu)化804.2.1神經(jīng)網(wǎng)絡的訓練804.2.2神經(jīng)網(wǎng)絡的優(yōu)化算法814.3反向傳播算法864.3.1反向傳播算法思想864.3.2反向傳播算法過程874.4欠擬合與過擬合894.4.1基本概念904.4.2以減少特征變量的方法防止過擬合914.4.3以權(quán)重正則化的方法防止過擬合924.4.4以交叉驗證的方法防止過擬合924.4.5以Dropout正則化的方法防止過擬合944.4.6貝葉斯正則化95第5章深度神經(jīng)網(wǎng)絡985.1深度神經(jīng)網(wǎng)絡概述985.1.1深度神經(jīng)網(wǎng)絡的工作原理985.1.2深度神經(jīng)網(wǎng)絡的主要模型1015.2卷積神經(jīng)網(wǎng)絡1025.2.1輸入層1025.2.2隱藏層1035.2.3輸出層（全連接層）1125.3卷積神經(jīng)網(wǎng)絡算法1135.3.1鏈式法則1135.3.2梯度下降與反向傳播算法1135.3.3卷積層的誤差傳遞1155.3.4卷積層權(quán)重梯度的計算1165.3.5池化層的誤差傳遞1175.4卷積神經(jīng)網(wǎng)絡的訓練與優(yōu)化1185.4.1卷積神經(jīng)網(wǎng)絡的工作流程1185.4.2訓練與優(yōu)化1185.4.3卷積神經(jīng)網(wǎng)絡與人工神經(jīng)網(wǎng)絡的比較120第6章圖神經(jīng)網(wǎng)絡1216.1圖神經(jīng)網(wǎng)絡概述1216.1.1圖神經(jīng)網(wǎng)絡的出現(xiàn)與發(fā)展1216.1.2圖神經(jīng)網(wǎng)絡1236.2經(jīng)典的圖神經(jīng)網(wǎng)絡1246.2.1圖卷積網(wǎng)絡1246.2.2圖樣本和聚合1256.2.3圖注意力網(wǎng)絡1296.3其他圖神經(jīng)網(wǎng)絡模型1316.3.1無監(jiān)督的節(jié)點表示學習1316.3.2圖池化140第7章空洞多級卷積神經(jīng)網(wǎng)絡1437.1空洞多級模塊1437.1.1空洞卷積1437.1.2空洞多級模塊結(jié)構(gòu)1457.2基于卷積神經(jīng)網(wǎng)絡的高效Pan-sharpening模型1467.2.1數(shù)據(jù)集1467.2.2超參數(shù)設置與網(wǎng)絡結(jié)構(gòu)選擇1487.2.3代價函數(shù)及其求解1507.3深度學習結(jié)合模型優(yōu)化的Pan-sharpening模型1507.3.1基于梯度域的線性Pan-sharpening模型優(yōu)化算法1517.3.2基于深度梯度先驗的Pan-sharpening模型優(yōu)化算法1547.4多尺度空洞深度卷積神經(jīng)網(wǎng)絡1607.4.1SRCNN1607.4.2超分辨率多尺度空洞卷積神經(jīng)網(wǎng)絡1617.4.3多尺度多深度空洞卷積神經(jīng)網(wǎng)絡164第8章深度強化學習1678.1組成與結(jié)構(gòu)1678.1.1基本概念1678.1.2馬爾可夫決策過程1688.1.3數(shù)學基礎(chǔ)1698.1.4策略迭代1708.1.5值迭代1718.2深度學習與強化學習1718.2.1深度學習與強化學習之不同1728.2.2深度學習與強化學習之結(jié)合1738.3基于值函數(shù)的深度強化學習1738.3.1深度Q學習1748.3.2DQN與Q學習的區(qū)別1768.3.3改進深度Q網(wǎng)絡1768.4基于策略梯度的深度強化學習1848.4.1深度確定性策略梯度算法1858.4.2異步深度強化學習算法1878.4.3信賴域策略優(yōu)化及其衍生算法191第9章深度生成對抗網(wǎng)絡1989.1生成對抗網(wǎng)絡1989.1.1生成網(wǎng)絡1999.1.2鑒別網(wǎng)絡2009.1.3損失函數(shù)2019.2多尺度生成對抗網(wǎng)絡2019.2.1多尺度結(jié)構(gòu)2019.2.2多尺度生成對抗網(wǎng)絡結(jié)構(gòu)2029.2.3損失函數(shù)2049.3深度卷積生成對抗網(wǎng)絡2049.3.1DCGAN的優(yōu)化2059.3.2DCGAN的改進2069.3.3DCGAN的設計2069.4半監(jiān)督深度卷積生成對抗網(wǎng)絡2069.4.1YOLOv5網(wǎng)絡結(jié)構(gòu)2079.4.2改進的YOLOv5網(wǎng)絡2129.4.3半監(jiān)督Y(jié)OLOv5網(wǎng)絡2209.5深度強化對抗學習網(wǎng)絡2239.5.1Exposure圖像增強模型2249.5.2相對對抗學習及獎勵函數(shù)2269.5.3評論家正則化策略梯度算法2279.5.4網(wǎng)絡結(jié)構(gòu)228第10章基礎(chǔ)實戰(zhàn)案例22910.1Python開發(fā)環(huán)境的安裝與驗證22910.1.1Python安裝22910.1.2OpenCV安裝與驗證23210.1.3TensorFlow安裝與驗證23410.2基于PCA-BP神經(jīng)網(wǎng)絡的數(shù)字儀器識別技術(shù)24910.2.1表盤區(qū)域提取25010.2.2圖像預處理25010.2.3字符識別25110.2.4字符識別的神經(jīng)網(wǎng)絡25110.2.5實驗設計254第11章進階實戰(zhàn)案例25611.1基于深度卷積神經(jīng)網(wǎng)絡的遙感圖像分類25611.1.1基于卷積神經(jīng)網(wǎng)絡的遙感圖像識別25611.1.2基于改進AlexNet網(wǎng)絡的遙感圖像分類25711.1.3仿真實驗與結(jié)果分析26011.2基于多尺度級聯(lián)生成對抗網(wǎng)絡的水下圖像增強26511.2.1網(wǎng)絡結(jié)構(gòu)和損失函數(shù)26511.2.2仿真實驗與結(jié)果分析26811.2.3消融實驗27611.3基于多層次卷積特征融合與高置信度更新的跟蹤27611.3.1基于多層次卷積特征融合與高置信度更新的跟蹤算法27711.3.2仿真實驗與結(jié)果分析28011.4基于圖生成對抗卷積網(wǎng)絡的半監(jiān)督睡眠分期28911.4.1睡眠信號基本理論29011.4.2GSGANet模型29511.4.3仿真實驗與結(jié)果分析30011.5基于密集連接的序列稀疏化Transformer行人重識別30611.5.1密集連接的稀疏Transformer模型30711.5.2仿真實驗與結(jié)果分析31111.6基于改進YOLOv5網(wǎng)絡的無人機圖像檢測31711.6.1問題與解決思路31811.6.2算法原理31811.6.3仿真實驗與結(jié)果分析32111.7基于級聯(lián)多尺度特征融合殘差網(wǎng)絡的圖像去噪32611.7.1問題與解決思路32711.7.2模型與架構(gòu)分析32811.7.3仿真實驗與結(jié)果分析332參考文獻337附錄341

你還可能感興趣

我要評論