深度卷积网络 原理与实践PDF电子书下载

前言 1

引子·神之一手 1

第1章 走进深度学习的世界 5

1.1从人工智能到深度学习 5

1.2深度神经网络的威力：以AlphaGo为例 8

1.2.1策略网络简述 9

1.2.2泛化：看棋谱就能学会下围棋 11

1.2.3拟合与过拟合 11

1.2.4深度神经网络的速度优势 12

1.3深度神经网络的应用大观 13

1.3.1图像分类问题的难度所在 13

1.3.2用深度神经网络理解图像 15

1.3.3 AlphaGo中的深度神经网络 17

1.3.4自动发现规律：从数据A到答案B 17

1.3.5深度神经网络的更多应用 18

1.3.6从分而治之，到端对端学习 24

1.4亲自体验深度神经网络 25

1.4.1 TensorFlow游乐场 25

1.4.2 MNIST数字识别实例：LeNet-5 27

1.4.3策略网络实例 28

1.4.4简笔画：Sketch-RNN 29

1.4.5用GAN生成动漫头像 30

1.5深度神经网络的基本特点 31

1.5.1两大助力：算力、数据 31

1.5.2从特征工程，到逐层抽象 32

1.5.3深度神经网络学会的是什么 35

1.6人工智能与神经网络的历史 36

1.6.1人工智能的两大学派：逻辑与统计 37

1.6.2人工智能与神经网络的现代编年史 37

第2章 深度卷积网络：第一课 42

2.1神经元：运作和训练 43

2.1.1运作：从实例说明 43

2.1.2训练：梯度下降的思想 44

2.1.3训练：梯度下降的公式 46

2.1.4训练：找大小问题的初次尝试 48

2.1.5训练：Excel的实现 50

2.1.6重要知识：批大小、mini-batch、epoch 51

2.2深度学习框架MXNet：安装和使用 51

2.2.1计算图：动态与静态 52

2.2.2安装MXNet：准备工作 53

2.2.3在Windows下安装MXNet 54

2.2.4在macOS下安装MXNet：CPU版 57

2.2.5在macOS下安装MXNet：GPU版 58

2.2.6在Linux下安装MXNet 59

2.2.7安装Jupyter演算本 59

2.2.8实例：在MXNet训练神经元并体验调参 60

2.3神经网络：运作和训练 63

2.3.1运作：前向传播，与非线性激活的必要性 63

2.3.2运作：非线性激活 64

2.3.3训练：梯度的计算公式 66

2.3.4训练：实例 69

2.3.5训练：Excel的实现 70

2.3.6训练：反向传播 71

2.3.7重要知识：梯度消失，梯度爆炸 72

2.3.8从几何观点理解神经网络 72

2.3.9训练：MXNet的实现 73

第3章 深度卷积网络：第二课 77

3.1重要理论知识 77

3.1.1数据：训练集、验证集、测试集 77

3.1.2训练：典型过程 79

3.1.3有监督学习：回归、分类、标签、排序、Seq2Seq 79

3.1.4无监督学习：聚类、降维、自编码、生成模型、推荐 81

3.1.5训练的障碍：欠拟合、过拟合 82

3.1.6训练的细节：局部极值点、鞍点、梯度下降算法 83

3.2神经网络的正则化 85

3.2.1修改损失函数：L2和L1正则化 85

3.2.2修改网络架构：Dropout正则化 86

3.2.3更多技巧：集合、多任务学习、参数共享等 86

3.2.4数据增强与预处理 88

3.3神经网络的调参 89

3.3.1学习速率 89

3.3.2批大小 90

3.3.3初始化方法 92

3.3.4调参实战：重返TensorFlow游乐场 93

3.4实例：MNIST问题 95

3.4.1重要知识：SoftMax层、交叉熵损失 96

3.4.2训练代码与网络架构 98

3.4.3超越MNIST：最新的Fashion-MNIST数据集 101

3.5网络训练的常见bug和检查方法 103

3.6网络训练性能的提高 104

第4章 深度卷积网络：第三课 106

4.1卷积网络：从实例说明 106

4.1.1实例：找橘猫，最原始的方法 107

4.1.2实例：找橘猫，更好的方法 108

4.1.3实例：卷积和池化 108

4.1.4卷积网络的运作 111

4.2运作：AlphaGo眼中的棋盘 112

4.2.1棋盘的编码 113

4.2.2最简化的策略网络 115

4.2.3最简化的策略网络：特征层和卷积后的结果 116

4.3卷积神经网络：进一步了解 122

4.3.1卷积核、滤波器与参数量的计算 122

4.3.2运作和训练的计算 123

4.3.3外衬与步长 124

4.3.4缩小图像：池化与全局池化 126

4.3.5放大图像：转置卷积 127

4.4实例：用卷积网络解决MNIST问题 128

4.4.1网络架构的定义与参数量的计算 129

4.4.2训练MNIST网络 130

4.4.3在MXNet运行训练后的网络 131

4.4.4调参实例 133

4.4.5在Fashion-MNIST数据集的结果 133

4.5 MXNet的使用技巧 134

4.5.1快速定义多个层 134

4.5.2网络的保存与读取 135

4.5.3图像数据的打包和载入 135

4.5.4深入MXNet训练细节 136

4.5.5在浏览器和移动设备运行神经网络 139

第5章 深度卷积网络：第四课 141

5.1经典的深度卷积网络架构 142

5.1.1深度学习革命的揭幕者：AlexNet 142

5.1.2常用架构：VGG系列 145

5.1.3去掉全连接层：DarkNet系列 147

5.2网络的可视化：以AlexNet为例 150

5.3迁移学习：精调、预训练等 155

5.4架构技巧：基本技巧 157

5.4.1感受野与缩小卷积核 157

5.4.2使用1×1卷积核 158

5.4.3批规范化 160

5.4.4实例：回顾Fashion-MNIST问题 161

5.4.5实例：训练CIFAR-10模型 164

5.5架构技巧：残差网络与通道组合 169

5.5.1残差网络：ResNet的思想 169

5.5.2残差网络：架构细节 171

5.5.3残差网络：来自于集合的理解与随机深度 172

5.5.4残差网络：MXNet实现，以策略网络为例 173

5.5.5通道组合：Inception模组 174

5.5.6通道组合：XCeption架构，深度可分卷积 177

5.5.7实例：再次训练CIFAR-10模型 178

5.6架构技巧：更多进展 181

5.6.1残差网络进展：ResNext、Pyramid Net、DenseNet 181

5.6.2压缩网络：SqueezeNet、MobileNet、ShuffleNet 183

5.6.3卷积核的变形 188

5.7物体检测与图像分割 189

5.7.1 YOLO v1：实时的物体检测网络 190

5.7.2 YOLO v2：更快、更强 192

5.7.3 Faster R-CNN：准确的物体检测网络 194

5.7.4 Mask-RCNN：准确的图像分割网络 195

5.8风格转移 197

第6章 AlphaGo架构综述 200

6.1从AlphaGo到AlphaZero 201

6.1.1 AlphaGo v 13与AlphaGo v18 201

6.1.2 AlphaGo Master与AlphaGo Zero 202

6.1.3解决一切棋类：AlphaZero 204

6.2 AlphaGo的对弈过程 205

6.2.1策略网络 205

6.2.2来自人类的思路 208

6.2.3蒙特卡洛树搜索与估值问题 209

6.2.4从快速走子估值到价值网络 211

6.2.5从搜索树看策略与价值网络的作用 213

6.2.6策略与价值网络的运作实例 215

6.3 AlphaGo中的深度卷积网络架构 217

6.4 AlphaGo的训练过程 219

6.4.1原版AlphaGo：策略梯度方法 219

6.4.2新版AlphaGo：从蒙特卡洛树搜索学习 220

6.5 AlphaGo方法的推广 221

第7章 训练策略网络与实战 224

7.1训练前的准备工作 224

7.1.1棋谱数据 225

7.1.2落子模拟 226

7.1.3终局判断 226

7.2训练代码 227

7.2.1主程序：train.py 227

7.2.2训练参数：config.py 233

7.2.3辅助函数：util.py 234

7.2.4棋盘随机变换：symmetry.py 235

7.2.5训练实例 236

7.3对弈实战 237

第8章 生成式对抗网络：GAN 240

8.1 GAN的起源故事 240

8.2 GAN的基本原理 242

8.2.1生成模型：从图像到编码，从编码到图像 242

8.2.2 GAN的基本效果 243

8.2.3 GAN的训练方法 246

8.3实例：DCGAN及训练过程 248

8.3.1网络架构 248

8.3.2训练代码 249

8.4 GAN的更多架构和应用 255

8.4.1图像转移：CycleGAN系列 255

8.4.2生成高分辨率图像：nVidia的改进 260

8.4.3自动提取信息：InfoGAN 261

8.4.4更多应用 264

8.5更多的生成模型方法 266

8.5.1自编码器：从AE到VAE 266

8.5.2逐点生成：PixelRNN和PixelCNN系列 267

8.5.3将VAE和GAN结合：CVAE-GAN 268

第9章 通向智能之秘 272

9.1计算机视觉的难度 272

9.2对抗样本，与深度网络的特点 276

9.3人工智能的挑战与机遇 278

9.3.1棋类游戏中的电脑陷阱 278

9.3.2偏见、过滤气泡与道德困境 280

9.3.3语言的迷局 283

9.3.4强化学习、机器人与目标函数 286

9.3.5创造力、审美与意识之谜 290

9.3.6预测学习：机器学习的前沿 293

9.4深度学习的理论发展 295

9.4.1超越反向传播：预测梯度与生物模型 295

9.4.2超越神经网络：Capsule与gcForest 297

9.4.3泛化问题 300

9.5深度学习与人工智能的展望 304

9.5.1工程层面 304

9.5.2理论层面 304

9.5.3应用层面 305

跋 人工智能与我们的未来 306

附录 深度学习与AI的网络资源 310