图书介绍
解析深度学习 卷积神经网络原理与视觉实践PDF|Epub|txt|kindle电子书版本网盘下载
- 魏秀参著 著
- 出版社： 北京：电子工业出版社
- ISBN：9787121345289
- 出版时间：2018
- 标注页数：185页
- 文件大小：56MB
- 文件页数：201页
- 主题词：机器学习
PDF下载
下载说明
解析深度学习 卷积神经网络原理与视觉实践PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
第一部分 绪论1
0.1 引言2
0.2 什么是深度学习3
0.3 深度学习的前世今生6
第二部分 基础理论篇9
1卷积神经网络基础知识10
1.1 发展历程11
1.2 基本结构13
1.3 前馈运算16
1.4 反馈运算16
1.5 小结19
2卷积神经网络基本部件21
2.1 “端到端”思想21
2.2 网络符号定义23
2.3 卷积层24
2.3.1 什么是卷积24
2.3.2 卷积操作的作用27
2.4 汇合层28
2.4.1 什么是汇合29
2.4.2 汇合操作的作用30
2.5 激活函数31
2.6 全连接层33
2.7 目标函数34
2.8 小结34
3卷积神经网络经典结构35
3.1 CNN网络结构中的重要概念35
3.1.1 感受野35
3.1.2 分布式表示37
3.1.3 深度特征的层次性39
3.2 经典网络案例分析42
3.2.1 Alex-Net网络模型42
3.2.2 VGG-Nets网络模型46
3.2.3 Network-In-Network48
3.2.4 残差网络模型49
3.3 小结54
4卷积神经网络的压缩56
4.1 低秩近似58
4.2 剪枝与稀疏约束60
4.3 参数量化64
4.4 二值网络68
4.5 知识蒸馏71
4.6 紧凑的网络结构74
4.7 小结76
第三部分 实践应用篇77
5数据扩充78
5.1 简单的数据扩充方式78
5.2 特殊的数据扩充方式80
5.2.1 Fancy PCA80
5.2.2 监督式数据扩充80
5.3 小结82
6数据预处理83
7网络参数初始化85
7.1 全零初始化86
7.2 随机初始化86
7.3 其他初始化方法90
7.4 小结90
8激活函数91
8.1 Sigmoid型函数92
8.2 tanh（x）型函数93
8.3 修正线性单元（ReLU）93
8.4 Leaky ReLU94
8.5 参数化ReLU95
8.6 随机化ReLU97
8.7 指数化线性单元（ELU）98
8.8 小结99
9目标函数100
9.1 分类任务的目标函数100
9.1.1 交叉熵损失函数101
9.1.2 合页损失函数101
9.1.3 坡道损失函数101
9.1.4 大间隔交叉熵损失函数103
9.1.5 中心损失函数105
9.2 回归任务的目标函数107
9.2.1 e1损失函数108
9.2.2 e2损失函数108
9.2.3 Tukey’s biweight损失函数109
9.3 其他任务的目标函数109
9.4 小结111
10网络正则化113
10.1 e2正则化114
10.2 e1正则化115
10.3 最大范数约束115
10.4 随机失活116
10.5 验证集的使用118
10.6 小结119
11超参数设定和网络训练120
11.1 网络超参数设定120
11.1.1 输入数据像素大小120
11.1.2 卷积层参数的设定121
11.1.3 汇合层参数的设定122
11.2 训练技巧123
11.2.1 训练数据随机打乱123
11.2.2 学习率的设定123
11.2.3 批规范化操作125
11.2.4 网络模型优化算法选择127
11.2.5 微调神经网络132
11.3 小结133
12不平衡样本的处理135
12.1 数据层面处理方法136
12.1.1 数据重采样136
12.1.2 类别平衡采样137
12.2 算法层面处理方法138
12.2.1 代价敏感方法139
12.2.2 代价敏感法中权重的指定方式140
12.3 小结142
13模型集成方法143
13.1 数据层面的集成方法143
13.1.1 测试阶段数据扩充143
13.1.2 “简易集成”法144
13.2 模型层面的集成方法144
13.2.1 单模型集成144
13.2.2 多模型集成146
13.3 小结149
14深度学习开源工具简介151
14.1 常用框架对比151
14.2 常用框架的各自特点153
14.2.1 Caffe153
14.2.2 Deeplearning4j153
14.2.3 Keras154
14.2.4 MXNet155
14.2.5 MatConvNet155
14.2.6 TensorFlow155
14.2.7 Theano156
14.2.8 Torch157
14.3 其他157
A 向量、矩阵及其基本运算158
B 随机梯度下降162
C 链式法则165
参考文献167
索引181