当前位置:主页 > 计算机电子书 > 人工智能 > 深度学习 pdf电子书
深度学习轻松学:核心算法与视觉实践

深度学习轻松学:核心算法与视觉实践 PDF 全书扫描版

  • 更新:2020-04-28
  • 大小:93.3 MB
  • 类别:深度学习
  • 作者:冯超
  • 出版:电子工业出版社
  • 格式:PDF

  • 资源介绍
  • 学习心得
  • 相关内容

深度学习轻松学:核心算法与视觉实践》是由电子工业出版社出版的一本关于深度学习方面的书籍,作者是冯超,主要介绍了关于深度学习、核心算法、视觉实践方面的知识内容,目前在深度学习类书籍综合评分为:9.6分。

书籍介绍

《深度学习轻松学:核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言,生动详细地介绍了深层模型相关的基础知识,并深入剖析了算法的原理与本质。同时,书中还配有大量案例与源码,帮助读者切实体会深度学习的核心思想和精妙之处。除此之外,书中还介绍了深度学习在视觉领域的应用,从原理层面揭示其思路思想,帮助读者在此领域中夯实技术基础。

《深度学习轻松学:核心算法与视觉实践》十分适合对深度学习感兴趣,希望对深层模型有较深入了解的读者阅读。

目录

  • 1 机器学习与深度学习的概念1
  • 1.1 什么是机器学习 1
  • 1.1.1 机器学习的形式. 2
  • 1.1.2 机器学习的几个组成部分. 8
  • 1.2 深度学习的逆袭 9
  • 1.3 深层模型在视觉领域的应用. 13
  • 1.4 本书的主要内容 15
  • 1.5 总结. 17
  • 2 数学与机器学习基础18
  • 2.1 线性代数基础. 18
  • 2.2 对称矩阵的性质 22
  • 2.2.1 特征值与特征向量 22
  • 2.2.2 对称矩阵的特征值和特征向量 23
  • 2.2.3 对称矩阵的对角化 24
  • 2.3 概率论. 25
  • 2.3.1 概率与分布. 25
  • 2.3.2 最大似然估计 28
  • 2.4 信息论基础 31
  • 2.5 KL 散度. 33
  • 2.6 凸函数及其性质 37
  • 2.7 机器学习基本概念. 39
  • 2.8 机器学习的目标函数 42
  • 2.9 总结. 44
  • 3 CNN 的基石:全连接层45
  • 3.1 线性部分. 45
  • 3.2 非线性部分 48
  • 3.3 神经网络的模样 50
  • 3.4 反向传播法 55
  • 3.4.1 反向传播法的计算方法. 55
  • 3.4.2 反向传播法在计算上的抽象. 58
  • 3.4.3 反向传播法在批量数据上的推广. 59
  • 3.4.4 具体的例子. 63
  • 3.5 参数初始化 65
  • 3.6 总结. 68
  • 4 CNN 的基石:卷积层69
  • 4.1 卷积操作. 69
  • 4.1.1 卷积是什么. 69
  • 4.1.2 卷积层效果展示. 73
  • 4.1.3 卷积层汇总了什么 76
  • 4.1.4 卷积的另一种解释 77
  • 4.2 卷积层的反向传播. 79
  • 4.2.1 实力派解法. 80
  • 4.2.2 “偶像派”解法. 84
  • 4.3 ReLU 88
  • 4.3.1 梯度消失问题 89
  • 4.3.2 ReLU 的理论支撑. 92
  • 4.3.3 ReLU 的线性性质. 93
  • 4.3.4 ReLU 的不足. 93
  • 4.4 总结. 94
  • 4.5 参考文献. 94
  • 5 Caffe 入门95
  • 5.1 使用Caffe 进行深度学习训练. 96
  • 5.1.1 数据预处理. 96
  • 5.1.2 网络结构与模型训练的配置. 100
  • 5.1.3 训练与再训练 108
  • 5.1.4 训练日志分析 110
  • 5.1.5 预测检验与分析. 112
  • 5.1.6 性能测试 115
  • 5.2 模型配置文件介绍. 117
  • 5.3 Caffe 的整体结构. 122
  • 5.3.1 SyncedMemory 124
  • 5.3.2 Blob 125
  • 5.3.3 Layer 125
  • 5.3.4 Net 126
  • 5.3.5 Solver 126
  • 5.3.6 多GPU 训练. 127
  • 5.3.7 IO 127
  • 5.4 Caffe 的Layer 128
  • 5.4.1 Layer 的创建——LayerRegistry128
  • 5.4.2 Layer 的初始化. 130
  • 5.4.3 Layer 的前向计算. 132
  • 5.5 Caffe 的Net 组装流程 133
  • 5.6 Caffe 的Solver 计算流程. 139
  • 5.6.1 优化流程 140
  • 5.6.2 多卡优化算法 142
  • 5.7 Caffe 的Data Layer 145
  • 5.7.1 Datum 结构. 145
  • 5.7.2 DataReader Thread 147
  • 5.7.3 BasePrefetchingDataLayer Thread 148
  • 5.7.4 Data Layer 149
  • 5.8 Caffe 的DataTransformer 150
  • 5.8.1 C 中的DataTransformer 150
  • 5.8.2 Python 中的DataTransformer 153
  • 5.9 模型层扩展实践——Center LossLayer 156
  • 5.9.1 Center Loss 的原理 156
  • 5.9.2 Center Loss 实现. 160
  • 5.9.3 实验分析与总结. 164
  • 5.10 总结. 165
  • 5.11 参考文献. 165
  • 6 深层网络的数值问题166
  • 6.1 ReLU 和参数初始化. 166
  • 6.1.1 第一个ReLU 数值实验. 167
  • 6.1.2 第二个ReLU 数值实验. 169
  • 6.1.3 第三个实验——Sigmoid 171
  • 6.2 Xavier 初始化. 172
  • 6.3 MSRA 初始化. 178
  • 6.3.1 前向推导 178
  • 6.3.2 后向推导 181
  • 6.4 ZCA 182
  • 6.5 与数值溢出的战斗. 186
  • 6.5.1 Softmax Layer 186
  • 6.5.2 Sigmoid Cross Entropy Loss 189
  • 6.6 总结. 192
  • 6.7 参考文献. 192
  • 7 网络结构193
  • 7.1 关于网络结构,我们更关心什么 193
  • 7.2 网络结构的演化 195
  • 7.2.1 VGG:模型哲学. 195
  • 7.2.2 GoogLeNet:丰富模型层的内部结构. 196
  • 7.2.3 ResNet:从乘法模型到加法模型. 197
  • 7.2.4 全连接层的没落. 198
  • 7.3 Batch Normalization 199
  • 7.3.1 Normalization 199
  • 7.3.2 使用BN 层的实验. 200
  • 7.3.3 BN 的实现. 201
  • 7.4 对Dropout 的思考. 204
  • 7.5 从迁移学习的角度观察网络功能 206
  • 7.6 ResNet 的深入分析. 210
  • 7.6.1 DSN 解决梯度消失问题 211
  • 7.6.2 ResNet 网络的展开结构. 212
  • 7.6.3 FractalNet 214
  • 7.6.4 DenseNet 215
  • 7.7 总结. 217
  • 7.8 参考文献. 217
  • 8 优化与训练219
  • 8.1 梯度下降是一门手艺活儿. 219
  • 8.1.1 什么是梯度下降法 219
  • 8.1.2 优雅的步长. 220
  • 8.2 路遥知马力:动量. 225
  • 8.3 SGD 的变种算法 232
  • 8.3.1 非凸函数 232
  • 8.3.2 经典算法的弯道表现. 233
  • 8.3.3 Adagrad 234
  • 8.3.4 Rmsprop 235
  • 8.3.5 AdaDelta 236
  • 8.3.6 Adam 237
  • 8.3.7 爬坡赛. 240
  • 8.3.8 总结. 242
  • 8.4 L1 正则的效果. 243
  • 8.4.1 MNIST 的L1 正则实验. 244
  • 8.4.2 次梯度下降法 246
  • 8.5 寻找模型的弱点 251
  • 8.5.1 泛化性实验. 252
  • 8.5.2 精确性实验. 255
  • 8.6 模型优化路径的可视化. 255
  • 8.7 模型的过拟合. 260
  • 8.7.1 过拟合方案. 261
  • 8.7.2 SGD 与过拟合 263
  • 8.7.3 对于深层模型泛化的猜想. 264
  • 8.8 总结. 265
  • 8.9 参考文献. 265
  • 9 应用:图像的语意分割267
  • 9.1 FCN 268
  • 9.2 CRF 通俗非严谨的入门. 272
  • 9.2.1 有向图与无向图模型. 272
  • 9.2.2 Log-Linear Model 278
  • 9.2.3 条件随机场. 280
  • 9.3 Dense CRF 281
  • 9.3.1 Dense CRF 是如何被演化出来的. 281
  • 9.3.2 Dense CRF 的公式形式. 284
  • 9.4 Mean Field 对Dense CRF 模型的化简 285
  • 9.5 Dense CRF 的推断计算公式 288
  • 9.5.1 Variational Inference 推导 289
  • 9.5.2 进一步化简. 291
  • 9.6 完整的模型:CRF as RNN 292
  • 9.7 总结. 294
  • 9.8 参考文献. 294
  • 10 应用:图像生成295
  • 10.1 VAE 295
  • 10.1.1 生成式模型. 295
  • 10.1.2 Variational Lower bound 296
  • 10.1.3 Reparameterization Trick 298
  • 10.1.4 Encoder 和Decoder 的计算公式. 299
  • 10.1.5 实现. 300
  • 10.1.6 MNIST 生成模型可视化 301
  • 10.2 GAN 303
  • 10.2.1 GAN 的概念. 303
  • 10.2.2 GAN 的训练分析. 305
  • 10.2.3 GAN 实战. 309
  • 10.3 Info-GAN 314
  • 10.3.1 互信息. 315
  • 10.3.2 InfoGAN 模型 317
  • 10.4 Wasserstein GAN 320
  • 10.4.1 分布的重叠度 321
  • 10.4.2 两种目标函数存在的问题. 323
  • 10.4.3 Wasserstein 距离. 325
  • 10.4.4 Wasserstein 距离的优势. 329
  • 10.4.5 Wasserstein GAN 的实现 331
  • 10.5 总结. 333
  • 10.6 参考文献. 334

资源获取

资源地址1:https://pan.baidu.com/s/1GASv_WU28MQFLImwkrJHFg(密码:5tfm)

相关资源

网友留言