[包邮特价]C#神经网络编程|232501pdf下载pdf下载

[包邮特价]C#神经网络编程|232501百度网盘pdf下载

作者:
简介:本篇主要提供[包邮特价]C#神经网络编程|232501pdf下载
出版社：
出版时间：
pdf下载价格：0.00￥

免费下载

前去下载

书籍下载

下载地址

内容介绍

 书[0名0]：  (正版特价)C#神[纟巠]网络编程|232501
 图书定价： 89元
 图书作者： [美]马特·R.科尔（Matt R.Cole）
 出版社：  [1机1]械工业出版社
 出版日期：  2019-06-17 00:00:00
 ISBN号： 9787111629382
 开本： 16开
 页数： 243
 版次： 1-1
 作者简介
[美]马特·R.科尔（Matt R.Cole） 著：马特·R.科尔（Matt R. Cole）是一[0名0][纟巠]验丰富的开发人员和作者，在Microsoft Windows、C、C++、 C#和.NET方[mian]有30年的[纟巠]验。他是Evolved AI Solutions公司的老板，该公司是高级[1机1]器[0学0]习/生物AI技术的[1主1]要供应[0商0]。他开发了[0第0]一个完全用C#和.NET编写的企业级微服务框架，该框架被纽约一家[0大0]型对冲基金生产。他还开发了[0第0]一个完全整合镜像和标准神[纟巠]元的生物人工智能框架。
 内容简介
本书遵循循序渐进、兼顾理论和实践的原则，从神[纟巠]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[0学0]习的应用场景，在[0知0]识内容方[mian]，不但包含决策树、随[1机1]森林等常规算[0法0]，还重点讲解了LSTM、CNN神[纟巠]网络等[1主1]流算[0法0]，在代码实践方[mian]，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[0优0]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
[0第0]1章　快速预览 1
1.1　神[纟巠]网络概述 2
1.1.1　神[纟巠]网络训练 4
1.1.2　神[纟巠]网络的结构指南 4
1.2　神[纟巠]网络在[0当0]今企业中的作用 6
1.3　[0学0]习的类型 6
1.3.1　有监督[0学0]习 7
1.3.2　无监督[0学0]习 7
1.3.3　强化[0学0]习 7
1.4　了解感[0知0]器 7
1.5　了解激活函数 10
1.5.1　激活函数绘图 12
1.5.2　函数绘图 13
1.6　了解后向传播 16
1.7　小结 17
1.8　参考文献 17
[0第0]2章　构建[0第0]一个神[纟巠]网络 18
2.1　一个简单的神[纟巠]网络 18
2.2　神[纟巠]网络训练 19
2.2.1　突触 20
2.2.2　神[纟巠]元 21
2.2.3　前向传播 21
2.2.4　Sigmoid函数 21
2.2.5　后向传播 22
2.2.6　计算误差 23
2.2.7　计算梯度 23
2.2.8　更[亲斤][0权0]重 23
2.2.9　计算值 23
2.3　神[纟巠]网络函数 24
2.3.1　创建[亲斤]网络 24
2.3.2　导入现有网络 24
2.3.3　导入数据集 27
2.3.4　网络运算 27
2.3.5　导出网络 28
2.3.6　训练网络 28
2.3.7　测试网络 29
2.3.8　计算前向传播 29
2.3.9　将网络导出为JSON格式 29
2.3.10　导出数据集 30
2.4　神[纟巠]网络 30
2.5　例子 31
2.5.1　训练到[z1u1i]小值 31
2.5.2　训练到[z1u1i][0大0]值 31
2.6　小结 32
[0第0]3章　决策树和随[1机1]森林 33
3.1　决策树 33
3.1.1　决策树的[0优0]点 34
3.1.2　决策树的缺点 35
3.1.3　何时应该使用决策树 35
3.2　随[1机1]森林 35
3.2.1　随[1机1]森林的[0优0]点 36
3.2.2　随[1机1]森林的缺点 36
3.2.3　何时应该使用随[1机1]森林 36
3.3　SharpLearning 37
3.3.1　术语 37
3.3.2　加载和保存模型 37
3.4　示例代码和应用程序 41
3.4.1　保存模型 41
3.4.2　均方差回归指标 41
3.4.3　F1分数 41
3.4.4　[0优0]化 42
3.4.5　示例应用程序1 42
3.4.6　示例应用程序2—葡萄酒质量 43
3.5　小结 45
3.6　参考文献 45
[0第0]4章　[mian]部和运动检测 46
4.1　[mian]部检测 46
4.2　运动检测 54
4.3　小结 59
[0第0]5章　使用ConvNetSharp训练CNN 60
5.1　热身 60
5.2　过滤器 64
5.3　创建网络 64
5.3.1　[0第0]一个简单的例子 65
5.3.2　[0第0]二个简单的例子 66
5.3.3　[0第0]三个简单的例子 67
5.3.4　使用Fluent API 68
5.4　GPU 68
5.5　使用MNIST数据集进行流[0畅0]设计训练 68
5.6　训练网络 69
5.6.1　测试数据 70
5.6.2　预测数据 71
5.6.3 　计算图 71
5.7　小结 73
5.8　参考文献 73
[0第0]6章　使用 RNNSharp训练自动编码器 74
6.1　什么是自动编码器 74
6.2　自动编码器的分类 74
6.2.1　标准自动编码器 75
6.2.2　变分自动编码器 76
6.2.3　降噪自动编码器 76
6.2.4　稀疏自动编码器 76
6.3　创建自己的自动编码器 76
6.4　小结 87
6.5　参考文献 88
[0第0]7章　用PSO代替后向传播 89
7.1　基础理论 89
7.1.1　群体智能 90
7.1.2　粒子群[0优0]化算[0法0] 90
7.2　用粒子群[0优0]化算[0法0]代替后向传播 94
7.3　小结 98
[0第0]8章　函数[0优0]化 99
8.1　入门 100
8.2　函数[z1u1i]小化和[z1u1i][0大0]化 103
8.2.1　什么是粒子 104
8.2.2　Swarm初始化 106
8.2.3　图表初始化 107
8.2.4　状态初始化 108
8.2.5　控制随[1机1]性 109
8.2.6　更[亲斤]群体位置 110
8.2.7　更[亲斤]群速度 110
8.2.8　[1主1]程序初始化 110
8.2.9　运行粒子群[0优0]化 111
8.2.10　用户界[mian] 112
8.3　[0超0]参数和调参 113
8.3.1　函数 113
8.3.2　策略 114
8.3.3　维度[0大0]小 115
8.3.4　上限 115
8.3.5　下限 116
8.3.6　上限速度 116
8.3.7　下限速度 117
8.3.8　小数位 117
8.3.9　群体[0大0]小 117
8.3.10　[z1u1i][0大0]迭代次数 118
8.3.11　惯性 119
8.3.12　社交[0权0]重 120
8.3.13　认[0知0][0权0]重 121
8.3.14　惯性[0权0]重 122
8.4　可视化 122
8.4.1　二维可视化 122
8.4.2　三维可视化 123
8.5　绘制结果 128
8.5.1　回放结果 128
8.5.2　更[亲斤]信息树 130
8.6　添加[亲斤]的[0优0]化函数 131
8.6.1　目的 131
8.6.2　添加[亲斤]函数的步骤 131
8.6.3　添加[亲斤]函数示例 132
8.7　小结 135
[0第0]9章　寻找[z1u1i]佳参数 136
9.1　[0优0]化 136
9.1.1　什么是适配函数 137
9.1.2　约束 137
9.1.3　元[0优0]化 139
9.2　[0优0]化方[0法0] 141
9.2.1　选择[0优0]化器 141
9.2.2　梯度下降 141
9.2.3　模式搜索 141
9.2.4　局部单峰采样 142
9.2.5　差异进化 142
9.2.6　粒子群[0优0]化 143
9.2.7　多[0优0]化联络员 143
9.2.8　网格 143
9.3　并行 144
9.3.1　并行化[0优0]化问题 144
9.3.2　并行[0优0]化方[0法0] 144
9.3.3　编写代码 144
9.3.4　执行元[0优0]化 146
9.3.5　计算适配度 146
9.3.6　测试自定义问题 148
9.3.7　基本问题 148
9.3.8　创建自定义问题 151
9.3.9　自定义问题示例 153
9.4　小结 154
9.5　参考文献 155
[0第0]10章　使用TensorFlowSharp进行对象检测 157
10.1　使用张量 157
10.2　开发自己的TensorFlow应用程序 161
10.3　检测图像 163
10.4　小结 166
10.5　参考文献 166
[0第0]11章　使用CNTK进行时间序列预测和LSTM 167
11.1　长短期记忆 167
11.1.1　LSTM变体 168
11.1.2　LSTM的应用 170
11.2　CNTK术语 170
11.3　示例应用程序 171
11.3.1　编写应用程序代码 174
11.3.2　运行应用程序 175
11.3.3　训练网络 176
11.3.4　创建模型 177
11.3.5　创建批量数据 178
11.3.6　获取下一批数据 178
11.4　LSTM的表现 178
11.5　小结 179
11.6　参考文献 179
[0第0]12章　GRU与LSTM、RNN和前馈神[纟巠]网络 181
12.1　QuickNN 181
12.2　了解GRU 182
12.3　LSTM和GRU之间的差别 182
12.4　构建不同的网络 183
12.4.1　编写LSTM代码 184
12.4.2　编写GRU代码 184
12.5　比较LSTM、GRU、前馈和RNN网络的相关[*]作 185
12.6　网络差异 187
12.7　小结 189
附录A　激活函数 190
附录B　函数[0优0]化参考 194