图灵原创 卷积神经网络的Python实现 单建华著 PDF下载

版权归出版社和作者所有,下载链接已删除。如果喜欢,请购买正版!

卷积神经网络是深度学习最重要的模型之一,本书作为该领域的入门读物,假定读者的机器学习知识为零,并尽可能少地使用数学知识,从机器学习的概念讲起,以卷积神经网络的最新发展结束。本书首先简单介绍了机器学习的基本概念,详细讲解了线性模型、神经网络和卷积神经网络模型,然后介绍了基于梯度下降法的优化方法和梯度反向传播算法,接着介绍了训练网络前的准备工作、神经网络及卷积神经网络实战和卷积神经网络的发展。针对每个关键知识点,书中给出了基于 NumPy 的代码实现以及完整的神经网络和卷积神经网络代码实现,方便读者训练网络和查阅代码。本书既可以作为卷积神经网络的教材,也可以供对卷积神经网络感兴趣的工程技术人员和科研人员参考。

第一部分 模型篇
第1章 机器学习简介  2
1.1 引言  2
1.2 基本术语  3
1.3 重要概念  5
1.4 图像分类  12
1.5 MNIST数据集简介  15
第2章 线性分类器  17
2.1 线性模型  17
2.1.1 线性分类器  18
2.1.2 理解线性分类器  19
2.1.3 代码实现  21
2.2 softmax损失函数  22
2.2.1 损失函数的定义  23
2.2.2 概率解释  24
2.2.3 代码实现  25
2.3 优化  26
2.4 梯度下降法  26
2.4.1 梯度的解析意义  27
2.4.2 梯度的几何意义  29
2.4.3 梯度的物理意义  29
2.4.4 梯度下降法代码实现  29
2.5 牛顿法  30
2.6 机器学习模型统一结构  31
2.7 正则化  33
2.7.1 范数正则化  34
2.7.2 提前终止训练  37
2.7.3 概率的进一步解释  38
第3章 神经网络  39
3.1 数学模型  39
3.2 激活函数  41
3.3 代码实现  44
3.4 学习容量和正则化  45
3.5 生物神经科学基础  48
第4章 卷积神经网络的结构  50
4.1 概述  50
4.1.1 局部连接  51
4.1.2 参数共享  52
4.1.3 3D特征图  52
4.2 卷积层  53
4.2.1 卷积运算及代码实现  54
4.2.2 卷积层及代码初级实现  57
4.2.3 卷积层参数总结  63
4.2.4 用连接的观点看卷积层  64
4.2.5 使用矩阵乘法实现卷积层运算  67
4.2.6 批量数据的卷积层矩阵乘法的代码实现  69
4.3 池化层  74
4.3.1 概述  74
4.3.2 池化层代码实现  76
4.4 全连接层  79
4.4.1 全连接层转化成卷积层  80
4.4.2 全连接层代码实现  82
4.5 卷积网络的结构  83
4.5.1 层的组合模式  83
4.5.2 表示学习  86
4.6 卷积网络的神经科学基础  87
第二部分 优化篇
第5章 基于梯度下降法的最优化方法  90
5.1 随机梯度下降法SGD  91
5.2 基本动量法  93
5.3 Nesterov动量法  95
5.4 AdaGrad  95
5.5 RMSProp  97
5.6 Adam  98
5.7 AmsGrad  99
5.8 学习率退火  99
5.9 参数初始化  100
5.10 超参数调优  101
第6章 梯度反向传播算法  104
6.1 基本函数的梯度  104
6.2 链式法则  105
6.3 深度网络的误差反向传播算法  107
6.4 矩阵化  109
6.5 softmax损失函数梯度计算  111
6.6 全连接层梯度反向传播  112
6.7 激活层梯度反向传播  113
6.8 卷积层梯度反向传播  115
6.9 最大值池化层梯度反向传播  118
第三部分 实战篇
第7章 训练前的准备  124
7.1 中心化和规范化  124
7.1.1 利用线性模型推导中心化  125
7.1.2 利用属性同等重要性推导规范化  126
7.1.3 中心化和规范化的几何意义  128
7.2 PCA和白化  128
7.2.1 从去除线性相关性推导PCA  129
7.2.2 PCA代码  130
7.2.3 PCA降维  131
7.2.4 PCA的几何意义  133
7.2.5 白化  134
7.3 卷积网络在进行图像分类时如何预处理  135
7.4 BN  136
7.4.1 BN前向计算  136
7.4.2 BN层的位置  137
7.4.3 BN层的理论解释  138
7.4.4 BN层在实践中的注意事项  139
7.4.5 BN层的梯度反向传播  140
7.4.6 BN层的地位探讨  141
7.4.7 将BN层应用于卷积网络  141
7.5 数据扩增  142
7.6 梯度检查  144
7.7 初始损失值检查  146
7.8 过拟合微小数据子集  146
7.9 监测学习过程  147
7.9.1 损失值  147
7.9.2 训练集和验证集的准确率  148
7.9.3 参数更新比例  149
第8章 神经网络实例  150
8.1 生成数据  150
8.2 数据预处理  152
8.3 网络模型  153
8.4 梯度检查  156
8.5 参数优化  158
8.6 训练网络  159
8.7 过拟合小数据集  162
8.8 超参数随机搜索  162
8.9 评估模型  165
8.10 程序组织结构  165
8.11 增加BN层  167
8.12 程序使用建议  171
第9章 卷积神经网络实例  172
9.1 程序结构设计  173
9.2 激活函数  173
9.3 正则化  174
9.4 优化方法  175
9.5 卷积网络的基本模块  176
9.6 训练方法  181
9.7 VGG网络结构  186
9.8 MNIST数据集  197
9.9 梯度检测  199
9.10 MNIST数据集的训练结果  202
9.11 程序使用建议  205
第10章 卷积网络结构的发展  206
10.1 全局平均池化层  206
10.2 去掉池化层  208
10.3 网络向更深更宽发展面临的困难  209
10.4 ResNet向更深发展的代表网络  210
10.5 GoogLeNet向更宽发展的代表网络  213
10.6 轻量网络  215
10.6.1 1×1深度维度卷积代码实现  217
10.6.2 3×3逐特征图的卷积代码实现  219
10.6.3 逆残差模块的代码实现  222
10.7 注意机制网络SENet  223

打赏 支付宝打赏 微信打赏

如果文章对您有帮助,欢迎移至上方打赏按钮...

随手一点
  • 打酱油

    13人

  • 70人

  • 呵呵

    5人

  • 草泥马

    3人

文章评论 抢沙发