深度学习：主流框架和编程实战 pdf epub mobi txt 电子书 下载 2025

简体网页||繁体网页

☆☆☆☆☆

赵涓涓 强彦 著

图书标签:

• 深度学习
• 机器学习
• TensorFlow
• PyTorch
• Keras
• 神经网络
• 编程实战
• 人工智能
• 模型训练
• 数据科学

出版社： 机械工业出版社

ISBN：9787111592396

版次：1

商品编码：12358278

品牌：机工出版

包装：平装

丛书名： 智能系统与技术丛书

开本：16开

出版时间：2018-05-01

用纸：胶版纸

页数：220

内容简介

本书是利用实例来讲解深度学习框架以及深度学习方法的综合性著作，介绍了四大深度学习框架（TensorFlow、Caffe、Torch和MXNet），还详细介绍了调参、二次接口的编程、迁移学习的模型等内容。

目录

CONTENTS
目　　录
前言
第1章　绪论 1
1.1　机器学习与深度学习 1
1.1.1　机器学习与深度学习的关系 2
1.1.2　传统机器学习与深度学习的对比 3
1.2　统计学与深度学习 5
1.2.1　统计学与深度学习的关系 5
1.2.2　基于统计的深度学习技术 6
1.3　本书涉及的深度学习框架 8
1.4　优化深度学习的方法 8
1.5　深度学习展望 9
第2章　TensorFlow深度学习框架构建方法与图像分类的实现 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特点 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安装 16
2.2.1　基于Anaconda的安装 16
2.2.2　测试TensorFlow 19
2.3　基于TensorFlow框架的图像分类实现（ResNet-34） 20
2.3.1　应用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序实现 24
2.3.4　详细代码解析 27
2.3.5　实验结果及分析 51
第3章　Caffe深度学习框架搭建与图像语义分割的实现 56
3.1　Caffe概述 56
3.1.1　Caffe的特点 56
3.1.2　Caffe框架结构 57
3.2　Caffe框架安装与调试 59
3.3　基于Caffe框架的图像分割实现（FCN） 64
3.3.1　用Caffe构建卷积神经网络 64
3.3.2　FCN-8s网络简介 69
3.3.3　详细代码解读 85
3.3.4　实验结果与结论 98
第4章　Torch深度学习框架搭建与目标检测的实现 100
4.1　Torch概述 100
4.1.1　Torch的特点 100
4.1.2　Lua语言 102
4.2　Torch框架安装 104
4.3　基于Torch框架的目标检测实现（Faster R-CNN） 113
4.3.1　Torch的类和包的基本用法 113
4.3.2　用Torch构建神经网络 116
4.3.3　Faster R-CNN介绍 119
4.3.4　Faster R-CNN实例 127
4.3.5　实验结果分析 161
第5章　MXNet深度学习框架构建与自然语言处理的实现 164
5.1　MXNet概述 164
5.1.1　MXNet基础知识 164
5.1.2　编程接口 166
5.1.3　系统实现 169
5.1.4　MXNet的关键特性 171
5.2　MXNet框架安装 172
5.3　基于MXNet框架的自然语言处理实现（LSTM） 179
5.3.1　自然语言处理应用背景 179
5.3.2　RNN及LSTM网络 180
5.3.3　Bucketing及不同长度的序列训练 183
5.3.4　详细代码实现 185
5.3.5　实验过程及实验结果分析 191
第6章　迁移学习 195
6.1　迁移学习发展概述 195
6.2　迁移学习的类型与模型 196
6.2.1　冻结源模型与微调源模型 197
6.2.2　神经网络迁移学习模型与分类器迁移学习模型 197
6.3　迁移学习方法实例指导 199
6.3.1　迁移学习应用示例 199
6.3.2　实验结论 202
第7章　并行计算与交叉验证 203
7.1　并行计算 203
7.1.1　数据并行框架 204
7.1.2　模型并行框架 205
7.1.3　数据并行与模型并行的混合架构 205
7.2　交叉验证 207
7.2.1　留出法 207
7.2.2　K折交叉验证 208
7.2.3　留一交叉验证 209
参考文献 211

前言/序言

PREFACE前　　言自20世纪80年代以来，机器学习已经在算法、理论和应用等方面取得了巨大成功，广泛应用于产业界与学术界。简单来说，机器学习就是通过算法使得机器能从大量历史数据中学习规律，从而对新的样本完成智能识别或对未来做预测。深度学习是一种机器学习方法，在一些最新的研究领域和新的应用背景下，可用数据量的激增、计算能力的增强以及计算成本的降低为深度学习的快速发展铺平了道路，同时也为深度学习在各大领域的应用提供了支撑。自AlphaGo被提出并成功击败职业围棋手后，“深度学习”这一概念快速进入人们的视野并在业界引起了轰动，其因强大的特征提取能力以及灵活性在国内外各大企业中掀起一阵狂潮，在语音识别、图像识别和图像处理领域取得的成果尤为突出。
本书是以实践案例为主的深度学习框架结合编程实战的综合性著作，将带领读者逐步掌握深度学习需要的数据处理、调整参数、运行实例和二次编码，不仅帮助读者理解理论知识，而且能够使读者熟练掌握各种深度学习框架下的编程控制。本书配有大量的实践案例，既便于课堂教学，又便于学生自学。此外本书还配有同步PPT课件和程序源码，可供教师进行实验课程辅导。
本书介绍了四种深度学习框架（TensorFlow、Caffe、Torch、MXNet）的运行原理，配合实例介绍了框架的详细安装、程序设计、调参和二次接口的详细编程过程，引领读者完整搭建深度学习框架，相信本书能够从实战的角度帮助读者快速掌握和提高深度学习编程的技能。
全书内容可分为绪论、四大框架、迁移学习和并行计算/交叉验证四大部分，共7章。
第1章讨论深度学习与机器学习的关系、深度学习与统计学的关系、深度学习框架、深度学习中涉及的优化方法以及对深度学习的展望五个方面的内容，从理论上对深度学习进行全面深刻的剖析，旨在为后续学习提供理论铺垫与指导。
第2章对TensorFlow深度学习框架进行详细介绍，主要包括TensorFlow运作原理、模型构建、框架安装，并进一步介绍了TensorFlow框架下具体网络的图像分类编程实现以及详细代码的解读。
第3章从理论与实战两方面对Caffe深度学习框架的发展、结构以及具体的搭建过程进行详细介绍，并在Caffe深度学习框架下构建全卷积神经网络（Fully Convolutional Network，FCN），用该网络进行图像语义分割的实战编程，对该案例程序代码进行详细解读。
第4章介绍Torch深度学习框架的基础知识，同时介绍Torch深度学习框架中使用的Lua语言；按照Torch框架的安装过程，以一个具体的目标检测实例为出发点，详细介绍Torch的类和包的用法以及构建神经网络的全过程，最后介绍Faster R-CNN的方法和实例。
第5章对MXNet框架进行详细介绍，包括MXNet的基本概念和特点、MXNet的安装过程等，利用自然语言处理的实例来进一步展示MXNet在深度学习方面的应用实战。
第6章介绍迁移学习发展、迁移学习的类型与模型，并以实际案例对迁移学习的过程进行详细介绍与分析。
第7章在深度学习的背景下分别对并行计算和交叉验证这两种方法进行详细介绍。
本书既可作为大学本科、研究生相关专业教材，也适用于各种人工智能、机器学习的培训与认证体系，同时可供广大深度学习开发人员参考。
本书由多人合作完成，其中，第1章由太原理工大学强彦编写，第2章由太原理工大学赵涓涓编写，第3章由太原理工大学王华编写，第4章由太原理工大学肖小娇编写，第5章由晋中学院董云云编写，第6章由太原理工大学马瑞青编写，第7章由大同大学傅文博编写，全书由强彦审阅。
本书在撰写过程中得到了赵鹏飞、罗嘉滢、肖宁、高慧明、吴保荣等项目组成员和业内专家的大力支持和协助，在此一并表示衷心的感谢！
由于作者水平有限，不当之处在所难免，恳请读者及同仁赐教指正。

机器学习的基石：算法、模型与优化 导论 在信息爆炸的时代，数据以惊人的速度增长，如何从海量数据中提取有价值的洞察，并将其转化为可行动的智能，成为科学研究和技术应用的核心挑战。机器学习，作为人工智能的一个重要分支，为我们提供了解决这些挑战的强大工具。它赋予计算机从数据中学习的能力，而无需显式编程。本书将带您深入探索机器学习的基石，从核心算法原理到实际模型构建，再到模型优化的关键技术，为您打下坚实的理论基础，并为进一步探索更高级的机器学习领域（如深度学习）奠定坚实的地基。 第一部分：机器学习核心算法原理 机器学习的本质在于从数据中发现模式和规律，并利用这些模式来做出预测或决策。本部分将逐一剖析那些被誉为机器学习“经典”的核心算法，它们不仅是理解更复杂模型的基石，其思想至今仍在广泛应用。 1. 监督学习：从已知到未知 监督学习是最常见也是最容易理解的机器学习范式。在这个范式下，我们拥有带有标签（即“正确答案”）的数据集，我们的目标是训练一个模型，使其能够根据输入数据预测出对应的标签。 线性回归 (Linear Regression): 学习变量之间的线性关系。从最简单的单一特征模型开始，逐步过渡到多元线性回归，理解如何通过最小二乘法等方法找到最优的拟合直线（或超平面）。我们将探讨其假设、局限性以及如何解释模型参数。 逻辑回归 (Logistic Regression): 尽管名字带有“回归”，但逻辑回归实际上是一种强大的二分类算法。它通过引入 Sigmoid 函数将线性模型的输出映射到 (0, 1) 区间，从而实现概率预测。我们将深入理解其损失函数（交叉熵）以及如何使用梯度下降进行参数更新。 支持向量机 (Support Vector Machines, SVM): SVM 是一种强大的分类和回归算法，其核心思想是找到一个最优的决策边界，使得不同类别之间的间隔最大化。我们将探索线性 SVM 的原理，以及如何通过核技巧（Kernel Trick）将其扩展到处理非线性可分的数据，如多项式核、径向基函数核等。 决策树 (Decision Trees): 决策树通过一系列的 if-then-else 规则来划分数据。我们将学习如何构建一棵决策树，包括特征选择（如信息增益、基尼不纯度）和剪枝策略，以避免过拟合。 K 近邻算法 (K-Nearest Neighbors, KNN): KNN 是一种基于实例的学习方法，它根据新样本与训练集中最近的 K 个样本的类别来决定其所属类别。我们将讨论距离度量（如欧式距离、曼哈顿距离）以及 K 值的选择对模型性能的影响。 朴素贝叶斯 (Naive Bayes): 基于贝叶斯定理，朴素贝叶斯假设特征之间相互独立（“朴素”的假设）。我们将学习其概率模型，并探讨其在文本分类等领域的应用。 2. 无监督学习：探索数据的内在结构 与监督学习不同，无监督学习处理的是没有标签的数据。我们的目标是发现数据中的隐藏模式、结构或关系，例如将数据分组或降低数据的维度。 K-Means 聚类 (K-Means Clustering): K-Means 是一种广泛使用的聚类算法，它将数据分成 K 个簇，使得每个数据点都属于离其最近的簇中心。我们将学习其算法流程（初始化、分配、更新）以及如何选择 K 值。 层次聚类 (Hierarchical Clustering): 层次聚类不像 K-Means 那样需要预先指定簇的数量，而是构建一个簇的层次结构。我们将了解其凝聚型（自底向上）和分裂型（自顶向下）两种方法。 主成分分析 (Principal Component Analysis, PCA): PCA 是一种经典的降维技术，它通过线性变换将数据投影到低维空间，同时最大化保留原始数据的方差。我们将理解协方差矩阵、特征值和特征向量在 PCA 中的作用。 奇异值分解 (Singular Value Decomposition, SVD): SVD 是 PCA 的数学基础，也是一种强大的矩阵分解技术，在降维、推荐系统等领域有广泛应用。 3. 半监督学习与强化学习：拓展学习的边界 除了监督和无监督学习，还有其他重要的学习范式。 半监督学习 (Semi-Supervised Learning): 当我们拥有少量带标签数据和大量无标签数据时，半监督学习可以有效地利用这两类数据来提升模型性能。我们将了解其基本思想和常见方法。 强化学习 (Reinforcement Learning): 强化学习让智能体（Agent）通过与环境（Environment）交互来学习最优策略，以最大化累积奖励。我们将介绍其核心概念，如状态（State）、动作（Action）、奖励（Reward）、策略（Policy）和价值函数（Value Function），以及马尔可夫决策过程（MDP）。 第二部分：机器学习模型构建与实践 理论知识需要通过实践来检验和巩固。本部分将关注如何将上述算法转化为实际可用的模型，并讨论模型评估与选择的关键问题。 1. 数据预处理：为模型打下坚实基础 高质量的数据是构建优秀模型的前提。数据预处理阶段的任务是清洗、转换和组织原始数据，使其更适合机器学习算法的处理。 数据清洗 (Data Cleaning): 处理缺失值（填充、删除）、异常值（检测、移除或变换）和不一致的数据。 特征工程 (Feature Engineering): 创建新的、更有信息量的特征，或者对现有特征进行转换，以提高模型的性能。例如，多项式特征、交互特征、离散化等。 特征选择 (Feature Selection): 选择与目标变量最相关的特征子集，以减少模型的复杂度，提高训练速度，并避免过拟合。我们将讨论过滤法、包裹法和嵌入法。 数据归一化与标准化 (Data Normalization & Standardization): 将特征缩放到相似的范围，以避免某些特征在模型训练中占据过大的权重，尤其是在距离度量或梯度下降等算法中。 处理类别型特征 (Handling Categorical Features): 将非数值型的类别特征转换为数值型，如独热编码（One-Hot Encoding）、标签编码（Label Encoding）等。 2. 模型训练与评估：衡量模型的好坏 训练模型的过程就是让模型从数据中学习的过程。而评估模型则告诉我们模型学习得如何，是否能够泛化到未见过的数据。 数据集划分 (Data Splitting): 将数据集划分为训练集、验证集和测试集。训练集用于模型训练，验证集用于调整超参数和模型选择，测试集用于最终评估模型的泛化能力。 交叉验证 (Cross-Validation): 当数据集较小时，交叉验证是一种更鲁棒的模型评估方法，它可以充分利用所有数据进行训练和验证。我们将探讨 K 折交叉验证。 模型性能指标 (Model Performance Metrics): 分类模型: 准确率（Accuracy）、精确率（Precision）、召回率（Recall）、F1 分数、AUC-ROC 曲线等。 回归模型: 均方误差（Mean Squared Error, MSE）、均方根误差（Root Mean Squared Error, RMSE）、平均绝对误差（Mean Absolute Error, MAE）、R² 分数等。 过拟合与欠拟合 (Overfitting & Underfitting): 理解这两种模型训练中常见的问题，以及如何通过调整模型复杂度、正则化等方法来解决。 3. 模型选择与调优：找到最佳模型 在众多算法和模型中，选择一个最适合特定问题的模型，并对其进行优化，是模型构建的关键环节。 超参数调优 (Hyperparameter Tuning): 模型训练过程中，一些参数（如学习率、正则化强度、K 值等）不能从数据中学习，需要手动设置，这些被称为超参数。我们将介绍网格搜索（Grid Search）、随机搜索（Random Search）等超参数调优技术。 模型集成 (Ensemble Methods): 将多个模型的预测结果结合起来，通常可以获得比单一模型更好的性能。我们将介绍 Bagging（如随机森林 Random Forest）和 Boosting（如 AdaBoost, Gradient Boosting）等集成学习方法。 第三部分：机器学习中的优化技术 模型的性能很大程度上取决于其学习过程的效率和效果。优化技术是驱动模型进步的关键。 1. 损失函数与优化器：模型学习的驱动力 损失函数 (Loss Function): 损失函数衡量模型预测结果与真实值之间的差异。选择合适的损失函数对于模型学习至关重要。我们将回顾前面提到的交叉熵、均方误差等损失函数，并探讨其他常用的损失函数。 优化器 (Optimizers): 优化器的作用是根据损失函数的梯度来更新模型的参数，以最小化损失。 梯度下降 (Gradient Descent): 最基础的优化算法，包括批量梯度下降（Batch Gradient Descent）、随机梯度下降（Stochastic Gradient Descent, SGD）和mini-batch 梯度下降。 动量法 (Momentum): 引入动量项，加速梯度下降的收敛，并帮助越过局部最小值。 自适应学习率优化器 (Adaptive Learning Rate Optimizers): AdaGrad: 对学习率进行自适应调整，对稀疏特征有较好的效果。 RMSProp: 改进了 AdaGrad，解决了其学习率可能过早衰减的问题。 Adam (Adaptive Moment Estimation): 结合了动量法和 RMSProp 的优点，是目前最流行和广泛使用的优化器之一。 2. 正则化技术：防止过拟合的利器 正则化是一种在模型的损失函数中加入惩罚项的技术，用于限制模型的复杂度，从而防止过拟合。 L1 正则化 (Lasso): 在损失函数中加入参数的绝对值之和作为惩罚项，倾向于产生稀疏的模型（使一些参数变为零），从而实现特征选择。 L2 正则化 (Ridge): 在损失函数中加入参数的平方和作为惩罚项，倾向于使模型的参数值变小，但不强制为零。 Dropout: 在神经网络训练过程中，随机“丢弃”一部分神经元及其连接，迫使网络学习更鲁棒的特征。 早停法 (Early Stopping): 在模型性能在验证集上不再提升时停止训练，避免模型在训练集上过拟合。 3. 批量归一化 (Batch Normalization): 加速与稳定训练 批量归一化是一种非常重要的技术，它对神经网络的每一层输入进行归一化处理，可以显著加速模型的收敛，提高训练的稳定性，并允许使用更高的学习率。我们将深入理解其工作原理和益处。 总结 本书致力于为您构建一个扎实的机器学习基础。通过对核心算法原理的深入剖析，对模型构建与实践流程的详细阐述，以及对优化技术的全面介绍，您将能够理解机器学习是如何工作的，并具备独立构建、评估和优化机器学习模型的能力。这些知识不仅是理解更前沿的深度学习技术的基石，也是在实际工作中解决数据驱动问题的有力武器。我们鼓励您在理论学习的同时，积极动手实践，将所学知识应用于实际问题，不断探索和提升您的机器学习技能。

评分☆☆☆☆☆

（评价二） 读完这本书，我感觉自己就像站在了一个巍峨的知识殿堂的入口，虽然还未真正踏入，但已经被那宏伟的气势所震撼。书名中的“主流框架”几个字，在我眼中闪耀着科技的光芒。我平时在工作和生活中，经常会接触到一些AI技术的应用，比如智能推荐、人脸识别等等，但对其背后的原理总是模糊不清。我总觉得，如果我能掌握一两个像TensorFlow或者PyTorch这样的“秘密武器”，是不是就能在自己的领域里做出一些不一样的事情？这本书的出现，让我看到了希望。它并没有枯燥地罗列一堆公式和定理，而是将重点放在了“编程实战”上，这对我来说至关重要。我需要的是那种能够边学边练，并且能看到实际成果的学习方式。我希望通过这本书，能够理解那些复杂的模型是如何被构建出来的，并且能够自己动手去实现它们。虽然这本书没有详细介绍每一个框架的每一个API，但它所揭示的“主流框架”和“编程实战”这两个关键词，足以让我感受到它是一本注重实际操作和应用的书籍。我期待着它能让我摆脱对AI的“仰望”，转而成为一名能够“亲手制造”AI的工程师。这就像是拿到了一本建筑学的入门指南，虽然它不会教你如何砌每一块砖，但会告诉你如何设计一座宏伟的宫殿。

评分☆☆☆☆☆

（评价五） 这本书的封面，就像是一个充满未来感的接口，吸引着我深入探索“深度学习”这个迷人的领域。书名中的“主流框架”这几个字，对我来说，意味着掌握了现代人工智能的“利器”。我一直对AI的强大能力感到着迷，尤其是那些能够模仿人类智能的应用，比如自动驾驶、智能助手等等。然而，我常常感到困惑，这些令人惊叹的成果背后究竟是如何实现的？这本书的“编程实战”的承诺，正是我所需要的。我厌倦了纯粹的理论堆砌，我渴望的是能够亲手实践、通过代码来理解和掌握技术。我希望通过这本书，能够了解那些“主流框架”是如何工作的，并且能够利用它们来构建我自己的AI模型。虽然它没有详细介绍每一个框架的每个细节，或者提供大量的代码片段，但它所强调的“主流框架”和“编程实战”这两个核心概念，已经足以让我对这本书充满期待。我相信，它会为我提供一个清晰的学习路径，让我能够从零开始，逐步掌握深度学习的实战技能，最终能够独立地创造出令人惊叹的AI应用。这就像是拿到了一本高级工具箱的说明书，虽然它不会直接告诉你每一个工具的具体用法，但它会让你了解这些工具的强大功能和组合潜力。

评分☆☆☆☆☆

（评价一） 这本书就像是一张通往人工智能世界的藏宝图，虽然它没有明确指出宝藏的具体位置，却为我们绘制了通往宝藏的绝大部分路径。封面上的“深度学习”几个字，瞬间点燃了我对这个神秘领域的好奇心。我一直对那些能够“看懂”图片、“听懂”语言的AI技术充满敬畏，也曾无数次在网上看到那些惊艳的AI生成艺术作品，心痒痒地想知道这一切是如何实现的。这本书的标题“主流框架和编程实战”更是直击了我的痛点——我知道概念，但不知道如何动手。我渴望的是那种能够直接上手、看到效果的体验，而不是仅仅停留在理论层面。想象一下，我能用Python写出一段代码，然后让它学会识别猫和狗，或者生成一段流畅的文字，这该是多么令人兴奋的事情！这本书让我看到了这种可能性，它似乎承诺了让我从一个门外汉，蜕变成一个能够驾驭这些强大工具的实践者。虽然它没有直接告诉我具体的算法细节，或者某个框架的某个函数如何使用，但它所暗示的“主流框架”和“编程实战”，已经足够让我对未来充满期待。这就像是拿到了一把能打开无数扇门的钥匙，我迫不及待地想知道，门后面究竟藏着怎样的风景。我希望这本书能带我走进这个激动人心的领域，让我能够真正地参与到AI的创造浪潮中来。

评分☆☆☆☆☆

（评价四） 这本书就像是开启人工智能大门的一把智能钥匙，虽然它没有直接告诉你门后的具体陈设，但它巧妙地暗示了如何找到开启这扇门的各种工具。书名中的“主流框架”几个字，在我看来，是进入深度学习世界的导航星。我一直对那些能够让机器拥有“智慧”的技术充满向往，但常常感到无从下手。我常常看到一些关于AI应用的报道，但总觉得离自己很遥远，不知道如何才能真正参与其中。这本书的“编程实战”方向，对我来说是最大的吸引力。我渴望的是一种能够将抽象概念转化为具体行动的学习过程，能够通过编写代码来验证和理解理论。我希望这本书能让我明白，如何运用那些强大的“主流框架”，将那些复杂的深度学习模型变成我手中的工具，从而解决实际问题。虽然它没有直接给我一份完整的代码库，或者手把手地教我每一个步骤，但它所揭示的“主流框架”和“编程实战”这两个方向，已经为我指明了前进的方向。我期待着它能让我从一个旁观者，变成一个能够亲手构建AI的创造者，去探索和实现那些令人振奋的可能。

评分☆☆☆☆☆

（评价三） 这是一本充满潜力的书，仿佛一位经验丰富的向导，为我规划了探索深度学习迷宫的路线图。书名中的“主流框架”几个字，对我来说就像是通往未来科技的通行证。我一直对人工智能的发展趋势感到好奇，尤其是那些能够驱动现代科技进步的核心技术。我深知，要在这个领域有所建树，掌握核心的工具和技术是必不可少的。这本书以“编程实战”为导向，给了我极大的信心。我不是一个理论家，我更希望能够通过动手实践来学习和掌握知识。我渴望了解如何利用现有的强大工具，将我的想法转化为实际的应用，创造出属于自己的AI产品。虽然这本书没有直接提供大量的代码示例，或者深入讲解某个框架的底层实现，但它所强调的“主流框架”和“编程实战”，已经勾勒出了我学习的方向和目标。我期待着它能帮助我构建起一个坚实的实践基础，让我能够自信地面对深度学习中的各种挑战。这就像是拿到了一张精心绘制的星图，虽然它没有告诉你每一个星座的具体形状，但它指明了你探索宇宙的方向，让你知道哪里可能隐藏着令人惊喜的发现。