解析卷积神经网络：深度学习实践手册

给大家带来的一篇关于深度学习相关的电子书资源，介绍了关于卷积神经网络、深度学习方面的内容，本书是由电子工业出版社出版，格式为PDF，资源大小48.9 MB，刘凡平编写，目前豆瓣、亚马逊、当当、京东等电子书综合评分为：9.2。

内容介绍

解析卷积神经网络—深度学习实践手册从实用角度着重解析了深度学习中的一类神经网络模型——卷积神经网络，向读者剖析了卷积神经网络的基本部件与工作机理，更重要的是系统性的介绍了深度卷积神经网络在实践应用方面的细节配置与工程经验。笔者希望本书“小而精”，避免像某些国外相关书籍一样浅尝辄止的“大而空”。

这是一本面向中文读者轻量级、偏实用的深度学习工具书，本书内容侧重深度卷积神经网络的基础知识和实践应用。为了使更多不同技术背景的读者通过本书对卷积神经网络和深度学习有所了解，笔者试图尽可能少的使用晦涩的数学公式而尽可能多的使用具体的图表形象表达。本书的受众为对卷积神经网络和深度学习感兴趣的入门者，以及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。为方便读者，本书附录给出了一些相关数学基础知识简介。

全书共14章，除“绪论”外可分为2个篇章：第一篇“基础理论篇”包括第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；第二篇“实践应用篇”包括第5～14章，介绍深度卷积神经网络自数据准备始，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，最终直到模型集成等实践应用技巧和经验。另外，本书基本在每章结束均有对应小结，读者在阅读完每章内容后不妨掩卷回忆，看是否完全掌握此章节重点。对卷积神经网络和深度学习感兴趣的读者可通读全书，做到“理论结合实践”；对于希望将深度卷积神经网络迅速应用来解决实际问题的读者，也可直接参考第二篇的有关内容，做到“有的放矢”。

目录

• 第1章 时代崛起 2
• 第2章 数学理论基础 17
• 第3章 机器学习概要 42
• 第4章 神经网络基础 64
• 进阶篇
• 第5章 前馈型神经网络 88
• 第6章 反馈型神经网络 107
• 第7章 自组织竞争型神经网络 125
• 高阶篇
• 第8章 卷积神经网络 142
• 第9章 循环神经网络 163
• 第10章 深度信念网络 188
• 第11章 生成对抗网络 197
• 第12章 深度强化学习 221

学习笔记

Tensorflow卷积神经网络实例

CNN最大的特点在于卷积的权值共享结构，可以大幅减少神经网络的参数量，防止过拟合的同时又降低了神经网络模型的复杂度。在CNN中，第一个卷积层会直接接受图像像素级的输入，每一个卷积操作只处理一小块图像，进行卷积变化后再传到后面的网络，每一层卷积都会提取数据中最有效的特征。这种方法可以提取到图像中最基础的特征，比如不同方向的边或者拐角，而后再进行组合和抽象形成更高阶的特征。 一般的卷积神经网络由多个卷积层构成，每个卷积层中通常会进行如下几个操作： 图像通过多个不同的卷积核的滤波，并加偏置（bias），特取出局部特征，每个卷积核会映射出一个新的2D图像。……

带你简单了解python创建神经网络模型的内容

本篇文章给大家带来的内容是关于带你简单了解python创建神经网络模型的内容，有一定的参考价值，有需要的朋友可以参考一下，希望对你有所帮助。 摘要： 对神经网络的工作原理感到好奇？动手实践一下吧，了解神经网络是如何工作的最好方法是自己创建一个简单神经网络。 神经网络（NN），也被称为人工神经网络（ANN），是机器学习领域中学习算法的子集，大体上借鉴了生物神经网络的概念。目前，神经网络在计算机视觉、自然语言处理等领域应用广泛。德国资深机器学习专家Andrey Bulezyuk说到，“神经网络正在彻底改变机器学习，因为它们能够有效地模拟各种学科和行业的复杂抽象，且无需太多……

TensorFlow实现RNN循环神经网络

RNN（recurrent neural Network）循环神经网络 主要用于自然语言处理（nature language processing，NLP） RNN主要用途是 处理和预测序列数据 RNN广泛的用于 语音识别、语言模型、机器翻译 RNN的来源就是为了 刻画一个序列当前的输出与之前的信息影响后面节点的输出 RNN 是 包含循环的网络，允许信息的持久化 。 RNN会 记忆之前的信息，并利用之前的信息影响后面节点的输出 。 RNN的隐藏层之间的节点是有相连的，隐藏层的输入不仅仅包括输入层的输出，还包括上一时刻隐藏层的输出。 RNN会对于 每一个时刻的输入结合当前模型的状态给出一个输出 。 RNN理论上被看作 同一个神经网络结构被无限复制的结果 ，目前RNN无……

基于循环神经网络(RNN)实现影评情感分类

使用循环神经网络(RNN)实现影评情感分类 作为对循环神经网络的实践，我用循环神经网络做了个影评情感的分类，即判断影评的感情色彩是正面的，还是负面的。 选择使用RNN来做情感分类，主要是因为影评是一段文字，是序列的，而RNN对序列的支持比较好，能够“记忆”前文。虽然可以提取特征词向量，然后交给传统机器学习模型或全连接神经网络去做，也能取得很好的效果，但只从端对端的角度来看的话，RNN无疑是最合适的。 以下介绍实现过程。 一、数据预处理 本文中使用的训练数据集为https://www.cs.cornell.edu/people/pabo/movie-review-data/上的sentence polarity dataset v1.0，包含正负面评论各5331条。可以点击进……

70行Java代码实现深度神经网络算法分享

对于现在流行的深度学习，保持学习精神是必要的——程序员尤其是架构师永远都要对核心技术和关键算法保持关注和敏感，必要时要动手写一写掌握下来，先不用关心什么时候用到——用不用是政治问题，会不会写是技术问题，就像军人不关心打不打的问题，而要关心如何打赢的问题。 程序员如何学习机器学习 对程序员来说，机器学习是有一定门槛的（这个门槛也是其核心竞争力），相信很多人在学习机器学习时都会为满是数学公式的英文论文而头疼，甚至可能知难而退。但实际上机器学习算法落地程序并不难写，下面是70行代码实现的反向多层（BP）神经网络算法，也就是深度学习。其实不光是神……

以上就是本次介绍的深度学习电子书的全部相关内容，希望我们整理的资源能够帮助到大家，感谢大家对码农之家的支持。

上一篇：Spark大数据分析：核心概念、技术及实践

下一篇：深入分析GCC