智能系统与技术丛书 C#神经网络编程
作者:(美)马特 R.科尔
出版时间:2019年版
内容简介
本书遵循循序渐进、兼顾理论和实践的原则,从神经网络基本概念入手,以图文并茂的形式生动地讲解激活函数和反向传播等概念原理,并以人脸识别和动作检测为例,让读者直观地了解深度学习的应用场景,在知识内容方面,不但包含决策树、随机森林等常规算法,还重点讲解了LSTM、CNN神经网络等主流算法,在代码实践方面,比较深入地讲解开发细节,详细介绍了相关网络结构、参数调优和各种网络的对照比较,对程序员实际动手有比较强的参考意义。此外,本书还包含了常用激活函数,读者可以方便的在附录中查询相关函数特性,是一本集原理、实践与资料查询为一体的书籍。
目录
译者序
前言
关于作者
关于审校者
第1章 快速预览 1
11 神经网络概述 2
111 神经网络训练 4
112 神经网络的结构指南 4
12 神经网络在当今企业中的作用 6
13 学习的类型 6
131 有监督学习 7
132 无监督学习 7
133 强化学习 7
14 了解感知器 7
15 了解激活函数 10
151 激活函数绘图 12
152 函数绘图 13
16 了解后向传播 16
17 小结 17
18 参考文献 17
第2章 构建第一个神经网络 18
21 一个简单的神经网络 18
22 神经网络训练 19
221 突触 20
222 神经元 21
223 前向传播 21
224 Sigmoid函数 21
225 后向传播 22
226 计算误差 23
227 计算梯度 23
228 更新权重 23
229 计算值 23
23 神经网络函数 24
231 创建新网络 24
232 导入现有网络 24
233 导入数据集 27
234 网络运算 27
235 导出网络 28
236 训练网络 28
237 测试网络 29
238 计算前向传播 29
239 将网络导出为JSON格式 29
2310 导出数据集 30
24 神经网络 30
25 例子 31
251 训练到最小值 31
252 训练到最大值 31
26 小结 32
第3章 决策树和随机森林 33
31 决策树 33
311 决策树的优点 34
312 决策树的缺点 35
313 何时应该使用决策树 35
32 随机森林 35
321 随机森林的优点 36
322 随机森林的缺点 36
323 何时应该使用随机森林 36
33 SharpLearning 37
331 术语 37
332 加载和保存模型 37
34 示例代码和应用程序 41
341 保存模型 41
342 均方差回归指标 41
343 F1分数 41
344 优化 42
345 示例应用程序1 42
346 示例应用程序2—葡萄酒质量 43
35 小结 45
36 参考文献 45
第4章 面部和运动检测 46
41 面部检测 46
42 运动检测 54
43 小结 59
第5章 使用ConvNetSharp训练CNN 60
51 热身 60
52 过滤器 64
53 创建网络 64
531 第一个简单的例子 65
532 第二个简单的例子 66
533 第三个简单的例子 67
534 使用Fluent API 68
54 GPU 68
55 使用MNIST数据集进行流畅设计训练 68
56 训练网络 69
561 测试数据 70
562 预测数据 71
563 计算图 71
57 小结 73
58 参考文献 73
第6章 使用 RNNSharp训练自动编码器 74
61 什么是自动编码器 74
62 自动编码器的分类 74
621 标准自动编码器 75
622 变分自动编码器 76
623 降噪自动编码器 76
624 稀疏自动编码器 76
63 创建自己的自动编码器 76
64 小结 87
65 参考文献 88
第7章 用PSO代替后向传播 89
71 基础理论 89
711 群体智能 90
712 粒子群优化算法 90
72 用粒子群优化算法代替后向传播 94
73 小结 98
第8章 函数优化 99
81 入门 100
82 函数最小化和最大化 103
821 什么是粒子 104
822 Swarm初始化 106
823 图表初始化 107
824 状态初始化 108
825 控制随机性 109
826 更新群体位置 110
827 更新群速度 110
828 主程序初始化 110
829 运行粒子群优化 111
8210 用户界面 112
83 超参数和调参 113
831 函数 113
832 策略 114
833 维度大小 115
834 上限 115
835 下限 116
836 上限速度 116
837 下限速度 117
838 小数位 117
839 群体大小 117
8310 最大迭代次数 118
8311 惯性 119
8312 社交权重 120
8313 认知权重 121
8314 惯性权重 122
84 可视化 122
841 二维可视化 122
842 三维可视化 123
85 绘制结果 128
851 回放结果 128
852 更新信息树 130
86 添加新的优化函数 131
861 目的 131
862 添加新函数的步骤 131
863 添加新函数示例 132
87 小结 135
第9章 寻找最佳参数 136
91 优化 136
911 什么是适配函数 137
912 约束 137
913 元优化 139
92 优化方法 141
921 选择优化器 141
922 梯度下降 141
923 模式搜索 141
924 局部单峰采样 142
925 差异进化 142
926 粒子群优化 143
927 多优化联络员 143
928 网格 143
93 并行 144
931 并行化优化问题 144
932 并行优化方法 144
933 编写代码 144
934 执行元优化 146
935 计算适配度 146
936 测试自定义问题 148