解析深度学习：卷积神经网络原理与视觉实践

深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神...

(展开全部)

深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。

《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。

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
· · · · · · (更多)

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 ℓ1 损失函数 108
9.2.2 ℓ2 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 ℓ2 正则化 114
10.2 ℓ1 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
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
· · · · · · (收起)