深度学习:卷积神经网络从入门到精通 李玉鑑 张婷 单传辉 刘兆英著 PDF下载

转载至:  https://www.xz577.com/e/993.html

下载链接: 

下载声明:  本资料仅供个人学习和研究使用,不能用于商业用途,请在下载后24小时内删除。如果喜欢,请购买正版!

本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络,该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面,受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述,依次包括:现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的,既方便读者入门学习,又有助于读者深入钻研。

image.jpg

  • 第1章 概述

  • 1.1 深度学习的起源和发展

  • 1.2 卷积神经网络的形成和演变

  • 1.3 卷积神经网络的应用和影响

  • 1.4 卷积神经网络的缺陷和视图

  • 1.5 卷积神经网络的GPU实现和cuDNN库

  • 1.6 卷积神经网络的平台和工具

  • 1.7 本书的内容结构和案例数据

  • 1.7.1 内容结构

  • 1.7.2 案例数据

  • 第2章 预备知识

  • 2.1 激活函数

  • 2.2 矩阵运算

  • 2.3 导数公式

  • 2.4 梯度下降算法

  • 2.5 反向传播算法

  • 2.5.1 通用反向传播算法

  • 2.5.2 逐层反向传播算法

  • 2.6 通用逼近定理

  • 2.7 内外卷积运算

  • 2.8 膨胀卷积运算

  • 2.9 上下采样运算

  • 2.10 卷积面计算

  • 2.11 池化面计算

  • 2.12 局部响应归一化

  • 2.13 权值偏置初始化

  • 2.14 丢失输出

  • 2.15 丢失连接

  • 2.16 随机梯度下降算法

  • 2.17 块归一化

  • 2.18 动态规划算法

  • 第3章 卷积神经网络的现代雏形——LeNet

  • 3.1 LeNet的原始模型

  • 3.2 LeNet的标准模型

  • 3.3 LeNet的学习算法

  • 3.4 LeNet的Caffe代码实现及说明

  • 3.5 LeNet的手写数字识别案例

  • 3.6 LeNet的交通标志识别案例

  • 3.6.1 交通标志数据集的格式转换

  • 3.6.2 交通标志的识别分类

  • 3.7 LeNet的交通路网提取案例

  • 3.7.1 交通路网的人工标注

  • 3.7.2 交通路网的图像块分类

  • 3.7.3 交通路网的图像块分类LeNet

  • 3.7.4 交通路网的自动提取代码及说明

  • 3.7.5 交通路网的自动提取程序运行结果

  • 第4章 卷积神经网络的突破模型

  • 4.1 AlexNet的模型结构

  • 4.2 AlexNet的Caffe代码实现及说明

  • 4.3 AlexNet的Caffe大规模图像分类案例及演示效果

  • 4.4 AlexNet的TensorFlow代码实现及说明

  • 4.5 AlexNet的TensorFlow大规模图像分类案例及演示效果

  • 4.6 AlexNet的改进模型ZFNet

  • 第5章 卷积神经网络的应变模型

  • 5.1 SPPNet的模型结构

  • 5.2 SPPNet的Caffe代码实现及说明

  • 5.3 SPPNet的大规模图像分类案例及演示效果

  • 第6章 卷积神经网络的加深模型

  • 6.1 结构加深的卷积网络VGGNet

  • 6.1.1 VGGNet的模型结构

  • 6.1.2 VGGNet的TensorFlow代码实现及说明

  • 6.1.3 VGGNet的物体图像分类案例

  • 6.2 结构更深的卷积网络GoogLeNet

  • 6.2.1 GoogLeNet的模型结构

  • 6.2.2 GoogLeNet的TensorFlow代码实现及说明

  • 6.2.3 GoogLeNet的鲜花图像分类案例

  • 第7章 卷积神经网络的跨连模型

  • 7.1 快道网络HighwayNet

  • 7.2 残差网络ResNet

  • 7.2.2 ResNet的Caffe代码实现及说明

  • 7.2.3 ResNet的大规模图像分类案例

  • 7.3 密连网络DenseNet

  • 7.3.2 DenseNet的Caffe代码实现及说明

  • 7.3.3 DenseNet的物体图像分类案例

  • 7.4 拼接网络CatNet

  • 7.4.2 CatNet的Caffe代码实现及说明

  • 7.4.3 CatNet的人脸图像性别分类案例

  • 第8章 卷积神经网络的区域模型

  • 8.1 区域卷积网络R-CNN

  • 8.2 快速区域卷积网络Fast R-CNN

  • 8.3 更快区域卷积网络Faster R-CNN

  • 8.3.2 Faster R-CNN的TensorFlow代码实现及说明

  • 8.3.3 Faster R-CNN的图像目标检测案例及演示效果

  • 8.4 你只看一次网络YOLO

  • 8.4.2 YOLO的TensorFlow代码实现及说明

  • 8.4.3 YOLO的图像目标检测案例及演示效果

  • 8.5 单次检测器SSD

  • 8.5.2 SSD的TensorFlow代码实现及说明

  • 8.5.3 SSD的图像目标检测案例及演示效果

  • 第9章 卷积神经网络的分割模型

  • 9.1 全卷积网络FCN

  • 9.1.2 FCN的Caffe代码实现及说明

  • 9.1.3 FCN的图像语义和几何分割案例

  • 9.2 金字塔场景分析网络PSPNet

  • 9.2.2 PSPNet的TensorFlow代码实现及说明

  • 9.2.3 PSPNet的图像语义分割案例及演示效果

  • 9.3 掩膜区域卷积网络Mask R-CNN

  • 9.3.2 Mask R-CNN的Keras和TensorFlow代码实现及说明

  • 9.3.3 Mask R-CNN的图像实例分割案例及演示效果

  • 第10章 卷积神经网络的特殊模型

  • 10.1 孪生网络SiameseNet

  • 10.1.2 SiameseNet的Caffe代码实现及说明

  • 10.1.3 SiameseNet的手写数字验证案例

  • 10.2 挤压网络SqueezeNet

  • 10.2.2 SqueezeNet的Caffe代码实现及说明

  • 10.2.3 SqueezeNet大规模图像分类案例

  • 10.3 深层卷积生成对抗网络DCGAN

  • 10.3.2 DCGAN的TensorFlow代码实现及说明

  • 10.3.3 DCGAN的CelebA人脸图像生成案例

  • 10.4 网中网NIN

  • 10.4.2 NIN的Caffe代码实现及说明

  • 10.4.3 NIN大规模图像分类案例

  • 第11章 卷积神经网络的强化模型

  • 11.1 强化学习的基本概念

  • 11.2 深度强化学习网络的学习算法

  • 11.3 深度强化学习网络的变种模型

  • 11.4 深度强化学习网络的Flappy Bird智能体案例

  • 11.4.1 笨笨鸟网络的开发环境和工具包

  • 11.4.2 笨笨鸟网络的代码实现及说明

  • 11.4.3 笨笨鸟网络的学习训练过程

  • 11.4.4 笨笨鸟网络的演示效果

  • 第12章 卷积神经网络的顶尖成就——AlphaGo

  • 12.1 人工智能棋类程序简介

  • 12.2 AlphaGo的设计原理

  • 12.2.1 总体思路

  • 12.2.2 训练流程

  • 12.2.3 搜索过程

  • 12.3 AlphaGo Zero的新思想

  • 12.4 仿效AlphaGo的围棋程序案例MuGo

  • 12.4.1 MuGo的开发环境

  • 12.4.2 MuGo的代码实现及说明

  • 12.4.3 MuGo的学习训练过程

  • 12.4.4 MuGo的演示效果

  • 附录A Caffe在Windows上的安装过程

  • 附录B Caffe在Linux上的安装过程

  • 附录C TensorFlow在Windows上的安装过程

  • 附录D TensorFlow在Linux上的安装过程

  • 参考文献

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

    33人

  • 132人

  • 呵呵

    10人

  • 草泥马

    7人

文章评论 抢沙发