新書推薦：
《
书籍的社会史-中华帝国晚期的书籍与士人文化（第二版）
》
售價：HK$
86.9
《
活出主体性
》
售價：HK$
75.9
《
中国城市复兴
》
售價：HK$
140.8
《
踏入她们的河流
》
售價：HK$
96.8
《
绿镜头——非洲
》
售價：HK$
96.8
《
为自己工作 我们的gap期生存游戏（一本“不务正业”的普通人访谈录，记录他们跳下轨道奔向旷野的冒险故
》
售價：HK$
68.2
《
爱的修复：伴侣咨询中的冲突、理解与接纳
》
售價：HK$
76.8
《
新金融战：数字货币与大国博弈
》
售價：HK$
96.8
|
| 內容簡介： |
《深度学习实践—基于TensorFlow 及PyTorch 库的编程指南》突破传统深度学习教材先理论后实践的模式，从直观的实例应用入手，让读者快速体验利用深度学习解决实际问题的过程。读者将从运行实例程序开始，初步理解代码的作用，并逐步学会自主调整模型参数、调试程序，以验证其精度和效率。
第1章介绍深度学习发展历程及基本概念；第2章聚焦开发环境搭建，并给出快速示例，帮助读者迅速开启深度学习之旅，熟悉基础操作环境；第3章介绍深度学习原理，结合FCNN、CNN、LSTM、GAN、Transformer 等典型模型示例，使读者理解深度学习的核心理论与模型架构；第4 ～ 6章着重传授Python 编程基础，以及TensorFlow、PyTorch 这两种主流深度学习框架的编程知识，为实际开发奠定编程基础；第7章阐述张量概念与操作，帮助读者掌握其关键特性与操作方法；第8章专注于网络设计与超参数优化；第9、10章通过深度学习在计算机视觉与防灾领域的应用实例，展现深度学习在实际场景中的强大应用能力，使读者了解如何将所学知识运用到具体领域解决实际问题；第11章为程序代码，读者可扫二维码获取。
本书特别适合需要快速入门人工智能深度学习解决实际问题的，智能建造、数值模拟等非AI 方向的技术人员、在校本科生、研究生。本书也可作为相关专业师生教学用书。
|
| 關於作者： |
|
陈光齐，日本工程院院士，曾任九州大学土木系教授（2012-2023），现任河北工业大学长江讲席教授，兼任中国岩石力学与工程学会人工智能技术实用化专业委员会主任委员。?主要从事岩石力学、数值模拟与人工智能在地质工程中的融合创新研究，包括但并不限于数值模拟技术的开发及应用、AI技术的实用化、自然灾害风险评估、地震极端运动现象等课题。自1989年多次获得国家地震局科学技术进步奖、日本土木学会西部地区分会技术奖等奖励。所研发的非连续变形分析DDA（DDAWorkTool）实用软件，被全球百余所大学、研究机构及企业所采用；首先提出高阶流形元方法（Manifold Method）；首次提出“基于地震蹦极效应的破坏土石运动的多重加速模型”，成果解释了滑坡的高速远距离运动现象。陈光齐教授提出的“多重加速模型”深入解析了大地震引发高速远程滑坡现象；基于PLGM（Pulse-like ground motion）的地震滑坡机制，为防震减灾工程提供了科学的理论基础；创新性首次提出了滑坡引起的地质灾害链概念，推动了系统防灾研究方法的发展。为推广非连续体的大变形数和刚体运动值模拟技术做出巨大贡献。发表高水平SCI论文200余篇，培养博士研究生23名。
|
| 目錄：
|
第1章 绪论 001
1.1 什么是深度学习？ 002
1.2 深度学习的崛起及科学创新成果 002
1.3 Python、TensorFlow 及PyTorch 简介 004
1.4 本书的目标与结构 004
第2章 快速入门 005
2.1 安装Visual Studio 006
2.1.1 下载和安装Visual Studio Community 006
2.1.2 下载和安装Python 006
2.1.3 下载和安装TensorFlow 及关联库 007
2.1.4 下载和安装其他需要的库 008
2.2 深度学习应用示例及环境检核 008
第3章 深度学习的基本原理及示例 011
3.1 深度学习的工作原理及各网络架构应用示例 012
3.2 全连接神经网络（FCNN）架构及工作原理 013
3.2.1 全连接神经网络架构 014
3.2.2 FCNN 的前向传播计算 014
3.2.3 计算损失函数及梯度 015
3.2.4 反向传播计算 016
3.2.5 利用TensorFlow 训练FCNN 模型的步骤 017
3.2.6 利用PyTorch 训练FCNN 模型的基本步骤 017
3.2.7 实例：全连接神经网络（FCNN）模型应用 018
3.3 卷积神经网络（CNN）架构及工作原理 022
3.3.1 CNN 方法的主要思路 022
3.3.2 二维卷积操作 023
3.3.3 卷积神经网络架构 025
3.3.4 损失函数的计算 027
3.3.5 卷积网络架构的梯度计算 027
3.3.6 池化操作 029
3.3.7 展平Flatten 操作 031
3.3.8 CNN 是对FCNN 的改良 032
3.3.9 实例：卷积神经网络（CNN）模型的应用 032
3.4 循环神经网络（RNN）架构及工作原理 038
3.4.1 RNN 的架构 039
3.4.2 RNN 的工作原理 039
3.4.3 长短期记忆网络（LSTM）架构及工作原理 041
3.5 生成对抗网络（GAN）架构及工作原理 043
3.5.1 生成器的工作原理 043
3.5.2 生成器的网络架构 044
3.5.3 判别器的工作原理 045
3.5.4 判别器的网络架构 046
3.5.5 模型训练过程（损失计算、反向传播与迭代训练） 046
3.5.6 细节调整 047
3.5.7 实例：生成对抗网络（GAN）模型的应用 047
3.6 Transformer 网络架构 048
3.6.1 神经网络架构的定义 048
3.6.2 前向传播 049
3.6.3 损失函数的计算 050
3.6.4 反向传播 050
3.6.5 迭代训练 051
3.6.6 Transformer 网络架构的优势与应用 051
3.6.7 实例：Transformer 网络架构的应用 051
第4章 Python 编程示例的代码与释义 053
4.1 Python 程序执行方式之一：交互式解释器 054
4.2 Python 程序执行方式之二：利用Visual Studio进行编写和运行 054
4.3 Python 程序的一般构成 056
4.4 第一部分：库和模块的导入 057
4.4.1 深度学习程序中所导入的常用库 057
4.4.2 导入库中部分模块 058
4.5 第二部分：数据准备 059
4.6 第三部分：神经网络分析的主要代码 062
4.6.1 模型定义 062
4.6.2 输出模型的架构概览 064
4.6.3 模型编译 064
4.6.4 模型训练 065
4.6.5 模型评估 067
4.7 第四部分：实行预测 067
4.8 第五部分：结果的可视化 069
4.8.1 绘制真实值与预测值散点图 069
4.8.2 误差计算及绘制误差分布直方图 069
4.8.3 绘制特征重要性图 069
4.8.4 可视化对部分样本的预测结果 070
4.8.5 生成混淆矩阵及其可视化 071
4.8.6 生成分类模型的性能报告 071
4.8.7 绘制三个子图：预测值与真值的比较，误差及相对误差图 072
4.9 第六部分：保存数据集 073
4.10 Python 编程的基本规定 074
4.10.1 缩进、命名规范、代码布局和注释的要求 074
4.10.2 编码风格 075
4.10.3 Python 的变量 075
4.10.4 控制结构 077
4.11 Python 的函数 080
4.11.1 Python 的内置函数及标准库模块 080
4.11.2 使用def 定义自定义函数 081
4.12 Python 面向对象编程 082
4.12.1 类和对象 082
4.12.2 类的继承 084
4.12.3 封装 084
4.13 PyTorch 中的类 085
4.14 文件操作 087
4.14.1 打开和关闭文件 087
4.14.2 读取文件 088
4.14.3 写入文件 088
4.14.4 使用 with 语句 089
4.14.5 二进制文件操作 089
4.14.6 文件和目录管理 089
4.15 模块、包和库 089
4.15.1 模块 090
4.15.2 包 090
4.15.3 库 092
4.16 Python 标准库 093
4.17 库，包，模块的导入 096
4.17.1 库，包，模块的导入方式 096
4.17.2 Python 标准库的模块 098
4.18 第三方库函数 099
4.18.1 NumPy 矩阵计算与线性代数库 099
4.18.2 Matplotlib 数据可视化库 101
4.18.3 其他常用第三方库 104
4.18.4 导入规则 111
4.19 Python 中的help() 和dir() 函数 111
4.19.1 help() 函数 111
4.19.2 dir() 函数 113
4.20 代码中使用中文 113
4.21 异常处理 114
4.21.1 基本的异常捕获及处理 115
4.21.2 自定义异常与异常链 115
4.21.3 常见异常处理模式 116
第5章 基于TensorFlow库的深度学习编程 117
5.1 创建神经网络模型 118
5.1.1 序贯模型 118
5.1.2 函数式API 118
5.1.3 自定义层与模型子类化 119
5.2 常用神经网络层 120
5.2.1 全连接层 120
5.2.2 卷积层 120
5.2.3 标准卷积层 121
5.2.4 转置卷积层 122
5.2.5 池化层 123
5.2.6 循环神经网络层 124
5.2.7 长短期记忆网络层 125
5.2.8 门控循环单元层 125
5.2.9 批归一化层 126
5.2.10 其他功能层 127
5.3 编译模型 128
5.4 训练模型 128
5.4.1 训练过程 128
5.4.2 权重更新 130
5.5 评估模型与预测 130
5.6 深度学习的几个重要概念 131
5.6.1 模型输入数据的形状 131
5.6.2 激活函数 132
5.6.3 损失函数 134
5.6.4 评估模型性能的指标 135
5.6.5 优化器 136
5.6.6 正则化 138
第6章 基于PyTorch 库的深度学习编程 139
6.1 创建神经网络模型 140
6.1.1 顺序模型方式创建模型 140
6.1.2 自定义模块（继承 nn.Module）方式创建模型 141
6.1.3 自定义层构建模型 142
6.1.4 Sequential + 自定义层 143
6.1.5 模型组合 143
6.2 神经网络层 144
6.3 编译模型 144
6.4 训练模型 145
6.5 评估模型 145
6.6 进行预测 146
第7章 张量 147
7.1 Python、TensorFlow 及PyTorch中张量的异同点 148
7.2 Python 中TensorFlow 及PyTorch间的张量互换 150
7.3 常用维度的张量 150
第8章 神经网络的设计及优化 151
8.1 神经网络的设计 152
8.2 训练集与测试集划分的影响 153
8.2.1 交叉验证 153
8.2.2 交叉验证示例 154
8.3 超参数及其优化 155
8.4 网格搜索法 155
8.4.1 网格搜索法的主要思想和实现步骤 155
8.4.2 网格搜索法的实现示例 156
8.5 随机搜索法 157
8.6 贝叶斯优化法优化超参数 158
8.6.1 贝叶斯优化法的主要思想、工作原理及特点 158
8.6.2 贝叶斯优化法的实现示例 159
8.7 方法比较与实例 161
8.7.1 数据集及分析目标 161
8.7.2 定义模型创建函数 162
8.7.3 网格搜索法优化超参数的结果 163
8.7.4 随机搜索法优化超参数的结果 165
8.7.5 贝叶斯优化法优化超参数的结果 167
8.7.6 三种优化方法的结果比较 169
第9章 深度学习实践——计算机视觉领域
9.1 ImageNet 数据库及ILSVRC 夺冠模型 171
9.2 常用预训练模型及其在图像分类中的应用 171
9.2.1 预训练模型下载 172
9.2.2 预训练模型进行物体分类的精度验证 173
9.2.3 直接训练常用模型 179
9.2.4 迁移学习方法1：特征提取 180
9.2.5 迁移学习方法2：特征提取+ 微调 183
9.2.6 迁移学习：从单分类到多分类任务 186
9.3 常用预训练模型在目标检测中的应用 189
9.3.1 目标检测模型架构的组成部分及其功能 189
9.3.2 将ResNet50 多分类模型改造成目标检测程序的修改 190
9.3.3 利用Faster R-CNN 目标检测框架 192
9.4 常用预训练模型在语义分割中的应用 192
9.4.1 常见的语义分割模型 192
9.4.2 基于DeepLabv3+ 模型架构的语义分割 193
第10章 深度学习实践——地质灾害预测与监测 1 7 0
10.1 利用语义分割技术探测裂缝技术的应用 196
10.2 利用DeepLabv3+ 模型框架进行裂缝探测 197
10.2.1 DeepLab 模型系列概览 197
10.2.2 Crack500 裂缝数据集 198
10.2.3 利用Xception 作为backbone的语义分割程序 199
10.2.4 裂纹检测结果 201
10.3 利用迁移学习进行滑坡检测 203
10.3.1 基于深度学习的语义分割模型DeepLabv3+的迁移学习实现 204
10.3.2 滑坡检测结果 206
10.4 利用对象检测技术支持海上搜救任务 208
10.4.1 海上搜救任务中的对象检测挑战与数据集 208
10.4.2 基于YOLOv5 的 baseline 模型 209
10.4.3 模型改进Sea-YOLOv5：移动窗口分层自注意力拓展头 211
10.4.4 实验结果与分析 213
10.5 基于深度学习的落石监测系统 215
10.5.1 系统概述与需求分析 216
10.5.2 数据集准备 217
10.5.3 核心算法实现 217
10.5.4 系统实现与实验验证 219
10.5.5 挑战与展望 221
第11章 程序代码 222
参考文献 223
|
| 內容試閱：
|
1. 深度学习的崛起：从突破到范式转变
2012 年，加拿大多伦多大学研究团队提出的 AlexNet 模型在 ImageNet 图像识别竞赛中大幅降低分类误差率，标志着深度学习实用化进入新阶段。此后，深度学习在计算机视觉、自然语言处理、语音识别等多个领域持续取得突破，成为人工智能发展的核心驱动力。
2017 年，谷歌团队提出的 Transformer 模型进一步扩展了深度学习的应用边界。这一架构摆脱了传统循环神经网络在长序列建模上的局限，显著提升了模型在自然语言处理及多模态任务中的表现，并成为后续大规模预训练模型的重要基石。
2024 年，深度学习的科学价值获得了前所未有的肯定。诺贝尔化学奖授予了利用深度学习推动分子结构预测和分子模拟研究的相关成果，这一历史性事件不仅彰显了深度学习在科学研究中的广泛影响，也预示着其在跨学科创新中的巨大潜力。
2. 实践的需求与学习的困境
尽管深度学习取得了辉煌成就，但能够将其有效应用于实际科研与工程问题的研究者仍然有限，原因在于：
① 学习路径冗长：深度学习涉及统计学习理论、信息论、优化理论与计算理论等多学科知识，学习成本高；
② 技能要求复合：需要掌握 Python 编程及 TensorFlow、PyTorch 等主流框架的使用，入门门槛较高；
③ 时间资源有限：科研人员与工程从业者往往难以投入大量时间系统学习理论与工具。
因此，亟须一种能够快速上手、聚焦实践的学习模式，使研究人员在有限时间内掌握深度学习技术并应用于实际问题解决。
3. 本书的写作理念与内容结构
基于上述考虑，本书确立了“实践优先、循序渐进”的编写思路。读者无需从深奥理论入手，而是通过运行可用的实例程序快速体验深度学习模型的构建与应用，在实践中逐步理解深度学习核心逻辑，再逐步补充必要的理论与技能。
全书结构如下：
·初步认识（第1章）：介绍深度学习及本书的结构；
·快速起步（第 2章）：提供 Python 与深度学习框架的开发环境搭建指南；
·直接实践（第 3章）：通过全连接神经网络（FCNN）、卷积神经网络（CNN）、循环神经网络（RNN）等经典示例，帮助读者在最短时间内运行可用模型；
·代码剖析与技能提升（第4 ～ 6章）：系统讲解 Python 编程基础及 TensorFlow、PyTorch 框架的核心功能；
· 理论与模型优化（第7、8章）：梳理张量计算、超参数优化等关键知识，提升模型性能；
·应用拓展（第 9、10章）：展示深度学习在计算机视觉与防灾减灾等领域的典型应用，帮助读者将前面所学落地到实际科研与工程问题中；
·程序代码（第11章）：提供本书介绍的 18 个示例和实例源程序，供读者自由使用（扫二维码获取）。
4. 适用人群与阅读建议
本书特别适合以下读者：
·科研人员：希望在有限时间内掌握深度学习方法并应用于自身研究；
·工程技术人员：需要将深度学习集成到实际工程项目中；
·高校师生：想快速建立深度学习实践能力，为学术研究或项目开发打下基础。
阅读建议：
·初学者：可从第 2、3章入手，先跑通示例，感受模型的实际效果；
·进阶者：在掌握初步实践后，重点阅读第 4 ～ 8章，深入理解代码逻辑与理论框架；
·应用开发者：完成第 2章的开发环境配置后，可直接参考或执行第 9、10章的案例，将方法迁移至自身项目。
5. 写作初心
作为一名科研工作者，我深知在有限时间内快速掌握技术的重要性。撰写本书，旨在为读者提供一条高效、可操作的深度学习入门与实践路径，使其能够在最短时间内将深度学习应用于科研与工程实践。
陈光齐
2025 年8 月
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
暢銷書架
