解析深度學習：捲積神經網絡原理與視覺實踐 pdf epub mobi txt 電子書 下載2025

想要找書就要到 小美書屋

立刻按 ctrl+D收藏本頁

你會得到大驚喜!!

深度學習，特彆是深度捲積神經網絡是人工智能的重要分支領域，捲積神經網絡技術也被廣泛應用於各種現實場景，在許多問題上都取得瞭超越人類智能的結果。本書作為該領域的入門書籍，在內容上涵蓋深度捲積神經網絡的基礎知識和實踐應用兩大方麵。《解析深度學習：捲積神經網絡原理與視覺實踐》共14 章，分為三個部分：第一部分為緒論；第二部分 （第1～4 章）介紹捲積神經網絡的基礎知識、基本部件、經典結構和模型壓縮等基礎理論內容；第三部分（第5～14 章）介紹深度捲積神經網絡自數據準備開始，到模型參數初始化、不同網絡部件的選擇、網絡配置、網絡模型訓練、不平衡數據處理，最終到模型集成等實踐應用技巧和經驗。《解析深度學習：捲積神經網絡原理與視覺實踐》並不是一本編程類書籍，而是希望通過“基礎知識”和“實踐技巧”兩方麵使讀者從更高維度瞭解、掌握並成功構建針對自身應用問題的深度捲積神經網絡。

《解析深度學習：捲積神經網絡原理與視覺實踐》可作為深度學習和捲積神經網絡愛好者的入門書籍，也可供沒有機器學習背景但希望能快速掌握該方麵知識並將其應用於實際問題的各行從業者閱讀參考。

魏秀參

曠視科技（Face++）南京研究院負責人。南京大學LAMDA研究所博士，主要研究領域為計算機視覺和機器學習。在相關領域重要國際期刊和國際會議發錶論文十餘篇，並兩次獲得國際計算機視覺相關競賽冠、亞軍。曾獲CVPR 2017最佳審稿人、南京大學博士生校長特彆奬學金等榮譽，擔任ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI等國際會議PC member。（個人自媒體：知乎“魏秀參”，新浪微博“Wilson_NJUer”）

第一部分緒論1
0.1 引言 . 2
0.2 什麼是深度學習 3
0.3 深度學習的前世今生 . 6
第二部分基礎理論篇9
1 捲積神經網絡基礎知識10
1.1 發展曆程 11
1.2 基本結構 13
1.3 前饋運算 16
1.4 反饋運算 16
1.5 小結 . 19
2 捲積神經網絡基本部件21
2.1 “端到端”思想 21
2.2 網絡符號定義 . 23
2.3 捲積層 . 24
2.3.1 什麼是捲積 24
2.3.2 捲積操作的作用 27
2.4 匯閤層 . 28
2.4.1 什麼是匯閤 29
2.4.2 匯閤操作的作用 30
2.5 激活函數 31
2.6 全連接層 33
2.7 目標函數 34
2.8 小結 . 34
3 捲積神經網絡經典結構35
3.1 CNN 網絡結構中的重要概念 . 35
3.1.1 感受野 . 35
3.1.2 分布式錶示 37
3.1.3 深度特徵的層次性 39
3.2 經典網絡案例分析 . 42
3.2.1 Alex-Net 網絡模型 . 42
3.2.2 VGG-Nets 網絡模型 46
3.2.3 Network-In-Network 48
3.2.4 殘差網絡模型 . 49
3.3 小結 . 54
4 捲積神經網絡的壓縮56
4.1 低秩近似 58
4.2 剪枝與稀疏約束 60
4.3 參數量化 64
4.4 二值網絡 68
4.5 知識蒸餾 71
4.6 緊湊的網絡結構 74
4.7 小結 . 76
第三部分實踐應用篇77
5 數據擴充78
5.1 簡單的數據擴充方式 . 78
5.2 特殊的數據擴充方式 . 80
5.2.1 Fancy PCA . 80
5.2.2 監督式數據擴充 80
5.3 小結 . 82
6 數據預處理83
7 網絡參數初始化85
7.1 全零初始化 . 86
7.2 隨機初始化 . 86
7.3 其他初始化方法 90
7.4 小結 . 90
8 激活函數91
8.1 Sigmoid 型函數 . 92
8.2 tanh(x) 型函數 . 93
8.3 修正綫性單元（ReLU） 93
8.4 Leaky ReLU . 94
8.5 參數化ReLU 95
8.6 隨機化ReLU 97
8.7 指數化綫性單元（ELU） . 98
8.8 小結 . 99
9 目標函數100
9.1 分類任務的目標函數 . 100
9.1.1 交叉熵損失函數 101
9.1.2 閤頁損失函數 . 101
9.1.3 坡道損失函數 . 101
9.1.4 大間隔交叉熵損失函數 103
9.1.5 中心損失函數 . 105
9.2 迴歸任務的目標函數 . 107
9.2.1 ℓ1 損失函數 108
9.2.2 ℓ2 損失函數 108
9.2.3 Tukey’s biweight 損失函數 109
9.3 其他任務的目標函數 . 109
9.4 小結 . 111
10 網絡正則化113
10.1 ℓ2 正則化 114
10.2 ℓ1 正則化 115
10.3 最大範數約束 . 115
10.4 隨機失活 116
10.5 驗證集的使用 . 118
10.6 小結 . 119
11 超參數設定和網絡訓練120
11.1 網絡超參數設定 120
11.1.1 輸入數據像素大小 120
11.1.2 捲積層參數的設定 121
11.1.3 匯閤層參數的設定 122
11.2 訓練技巧 123
11.2.1 訓練數據隨機打亂 123
11.2.2 學習率的設定 . 123
11.2.3 批規範化操作 . 125
11.2.4 網絡模型優化算法選擇 127
11.2.5 微調神經網絡 . 132
11.3 小結 . 133
12 不平衡樣本的處理135
12.1 數據層麵處理方法 . 136
12.1.1 數據重采樣 136
12.1.2 類彆平衡采樣 . 137
12.2 算法層麵處理方法 . 138
12.2.1 代價敏感方法 . 139
12.2.2 代價敏感法中權重的指定方式 140
12.3 小結 . 142
13 模型集成方法143
13.1 數據層麵的集成方法 . 143
13.1.1 測試階段數據擴充 143
13.1.2 “簡易集成”法 144
13.2 模型層麵的集成方法 . 144
13.2.1 單模型集成 144
13.2.2 多模型集成 146
13.3 小結 . 149
14 深度學習開源工具簡介151
14.1 常用框架對比 . 151
14.2 常用框架的各自特點 . 153
14.2.1 Caffe 153
14.2.2 Deeplearning4j . 153
14.2.3 Keras 154
14.2.4 MXNet . 155
14.2.5 MatConvNet 155
14.2.6 TensorFlow . 155
14.2.7 Theano . 156
14.2.8 Torch 157
A 嚮量、矩陣及其基本運算158
B 隨機梯度下降162
C 鏈式法則165
參考文獻167
索引181
· · · · · · (收起)