当前位置:首页 > 工业技术
深度卷积网络  原理与实践
深度卷积网络  原理与实践

深度卷积网络 原理与实践PDF电子书下载

工业技术

  • 电子书积分:12 积分如何计算积分?
  • 作 者:彭博著
  • 出 版 社:北京:机械工业出版社
  • 出版年份:2018
  • ISBN:9787111596653
  • 页数:314 页
图书介绍:本书正文内容可分3部分,共9章:综述篇(第1,6,9章)。这三章不需要编程和数学基础,如果读者尚不熟悉技术,推荐优先阅读,尤其是第1和第9章。它们分别介绍:深度学习的基本概念,AlphaGo的架构综述,深度学习的问题和未来展望。深度卷积网络篇(第2,3,4,5章)。这四章结合理论与实际代码,由浅入深,从神经网络,到卷积网络,到深度卷积网络,让读者掌握深度卷积网络的基础知识、实践技巧和最新发展,是本书的关键所在,值得仔细阅读。实战篇(第7,8章)。这两章分别讲述AlphaGo和GAN的训练和应用细节,包括详细的代码分析。
《深度卷积网络 原理与实践》目录

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

返回顶部