智能系统与技术丛书 C#神经网络编程【2025|PDF下载-Epub版本|mobi电子书|kindle百度云盘下载】

智能系统与技术丛书 C#神经网络编程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 快速预览1

1.1 神经网络概述2

1.1.1 神经网络训练4

1.1.2 神经网络的结构指南4

1.2 神经网络在当今企业中的作用6

1.3 学习的类型6

1.3.1 有监督学习7

1.3.2 无监督学习7

1.3.3 强化学习7

1.4 了解感知器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

第2章 构建第一个神经网络18

2.1 一个简单的神经网络18

2.2 神经网络训练19

2.2.1 突触20

2.2.2 神经元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 更新权重23

2.2.9 计算值23

2.3 神经网络函数24

2.3.1 创建新网络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 神经网络30

2.5 例子31

2.5.1 训练到最小值31

2.5.2 训练到最大值31

2.6 小结32

第3章 决策树和随机森林33

3.1 决策树33

3.1.1 决策树的优点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 随机森林35

3.2.1 随机森林的优点36

3.2.2 随机森林的缺点36

3.2.3 何时应该使用随机森林36

3.3 SharpLearning37

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 优化42

3.4.5 示例应用程序142

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

第4章 面部和运动检测46

4.1 面部检测46

4.2 运动检测54

4.3 小结59

第5章 使用ConvNetSharp训练CNN60

5.1 热身60

5.2 过滤器64

5.3 创建网络64

5.3.1 第一个简单的例子65

5.3.2 第二个简单的例子66

5.3.3 第三个简单的例子67

5.3.4 使用Fluent API68

5.4 GPU68

5.5 使用MNIST数据集进行流畅设计训练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

第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

第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 粒子群优化算法90

7.2 用粒子群优化算法代替后向传播94

7.3 小结98

第8章 函数优化99

8.1 入门100

8.2 函数最小化和最大化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 控制随机性109

8.2.6 更新群体位置110

8.2.7 更新群速度110

8.2.8 主程序初始化110

8.2.9 运行粒子群优化111

8.2.10 用户界面112

8.3 超参数和调参113

8.3.1 函数113

8.3.2 策略114

8.3.3 维度大小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 群体大小117

8.3.10 最大迭代次数118

8.3.11 惯性119

8.3.12 社交权重120

8.3.13 认知权重121

8.3.14 惯性权重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 更新信息树130

8.6 添加新的优化函数131

8.6.1 目的131

8.6.2 添加新函数的步骤131

8.6.3 添加新函数示例132

8.7 小结135

第9章 寻找最佳参数136

9.1 优化136

9.1.1 什么是适配函数137

9.1.2 约束137

9.1.3 元优化139

9.2 优化方法141

9.2.1 选择优化器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 粒子群优化143

9.2.7 多优化联络员143

9.2.8 网格143

9.3 并行144

9.3.1 并行化优化问题144

9.3.2 并行优化方法144

9.3.3 编写代码144

9.3.4 执行元优化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

第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

第11章 使用CNTK进行时间序列预测和LSTM167

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

第12章 GRU与LSTM、RNN和前馈神经网络181

12.1 QuickNN181

12.2 了解GRU182

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网络的相关操作185

12.6 网络差异187

12.7 小结189

附录A 激活函数190

附录B 函数优化参考194