解析深度学习 卷积神经网络原理与视觉实践pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
下载压缩包 [复制下载地址] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页

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

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-Network 48

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 PCA 80

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 ReLU 94

8.5 参数化ReLU 95

8.6 随机化ReLU 97

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 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

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