当前位置:首页 > 人工智能 >
《深度学习轻松学:核心算法与视觉实践》电子书封面

深度学习轻松学:核心算法与视觉实践

  • 发布时间:2020年04月28日 09:28:03
  • 作者:冯超
  • 大小:93.3 MB
  • 类别:深度学习电子书
  • 格式:PDF
  • 版本:全书扫描版
  • 评分:7.7

    深度学习轻松学:核心算法与视觉实践 PDF 全书扫描版

      给大家带来的一篇关于深度学习相关的电子书资源,介绍了关于深度学习、核心算法、视觉实践方面的内容,本书是由电子工业出版社出版,格式为PDF,资源大小93.3 MB,冯超编写,目前豆瓣、亚马逊、当当、京东等电子书综合评分为:7.5。

      内容介绍

      《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

      学习笔记

      Dlib+OpenCV深度学习人脸识别的方法示例

      前言 人脸识别在LWF(Labeled Faces in the Wild)数据集上人脸识别率现在已经99.7%以上,这个识别率确实非常高了,但是真实的环境中的准确率有多少呢?我没有这方面的数据,但是可以确信的是真实环境中的识别率并没有那么乐观。现在虽然有一些商业应用如员工人脸识别管理系统、海关身份验证系统、甚至是银行人脸识别功能,但是我们可以仔细想想员工人脸识别管理,海关身份证系统的应用场景对身份的验证功能其实并没有商家吹嘘的那么重要,打个比方说员工上班的时候刷脸如果失败了会怎样,是不是重新识别一下,如果还是误识别,或是识别不出,是不是就干脆刷卡或是其他方式登记上班,然后骂一……

      13个最常用的Python深度学习库介绍

      如果你对深度学习和卷积神经网络感兴趣,但是并不知道从哪里开始,也不知道使用哪种库,那么这里就为你提供了许多帮助。 在这篇文章里,我详细解读了9个我最喜欢的Python深度学习库。 这个名单并不详尽,它只是我在计算机视觉的职业生涯中使用并在某个时间段发现特别有用的一个库的列表。 这其中的一些库我比别人用的多很多,尤其是Keras、mxnet和sklearn-theano。 其他的一些我是间接的使用,比如Theano和TensorFlow(库包括Keras、deepy和Blocks等)。 另外的我只是在一些特别的任务中用过(比如nolearn和他们的Deep Belief Network implementation)。 这篇文章的目的是向你介绍这些库。我建议你认真了解这里的每……

      深度学习TensorFlow Session会话控制和Variable变量

      这篇文章主要讲TensorFlow中的Session的用法以及Variable。 Session会话控制 Session是TensorFlow为了控制和输出文件的执行语句,运行session.run()就能获得运算结果或者部分运算结果。我们在这里使用一个简单的矩阵相乘的例子来解释Session的两个用法。 首先我们要加载TensorFlow并建立两个矩阵以及两个矩阵所做的运算。这里我们建立一个一行两列的matrix1和一个两行一列的matrix2,让它们做矩阵的乘法。tf.matmul相当于numpy中的dot方法,都是做矩阵的product。 import tensorflow as tfmatrix1 = tf.constant([[2, 2]])matrix2 = tf.constant([[2], [2]])product = tf.matmul(matrix1, matrix2) 接下来我们使用第一种会话控制Session来激活product并得到计算结果: s……

      Spring cloud Feign 深度学习与应用详解

      简介 Spring Cloud Feign是一个声明式的Web Service客户端,它的目的就是让Web Service调用更加简单。Feign提供了HTTP请求的模板,通过编写简单的接口和插入注解,就可以定义好HTTP请求的参数、格式、地址等信息。Feign会完全代理HTTP请求,开发时只需要像调用方法一样调用它就可以完成服务请求及相关处理。开源地址:https://github.com/OpenFeign/feign。Feign整合了Ribbon负载和Hystrix熔断,可以不再需要显式地使用这两个组件。总体来说,Feign具有如下特性: 可插拔的注解支持,包括Feign注解和JAX-RS注解; 支持可插拔的HTTP编码器和解码器; 支持Hystrix和它的Fallback; 支持Ribbon的负载均衡; 支持HTTP请求和响应的压缩。 Spring Cl……

      python开启摄像头以及深度学习实现目标检测方法

      最近想做实时目标检测,需要用到python开启摄像头,我手上只有两个uvc免驱的摄像头,性能一般。利用python开启摄像头费了一番功夫,主要原因是我的摄像头都不能用cv2的VideCapture打开,这让我联想到原来opencv也打不开Android手机上的摄像头(后来采用QML的Camera模块实现的)。看来opencv对于摄像头的兼容性仍然不是很完善。 我尝了几种办法:v4l2,v4l2_capture以及simpleCV,都打不开。最后采用pygame实现了摄像头的采集功能,这里直接给大家分享具体实现代码(python3.6,cv2,opencv3.3,ubuntu16.04)。中间注释的部分是我上述方法打开摄像头的尝试,说不定有适合自己的。 import pygame.cameraimport timeimport pygameimport c……

      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:Hadoop安全:大数据平台隐私保护

      下一篇:Apache Kafka源码剖析

      展开 +

      收起 -

      • 《深度学习轻松学:核心算法与视觉实践》PDF下载

      深度学习相关电子书
      深度学习
      深度学习

      本书是深度学习的入门教材,系统地介绍了深度学习的基本概念与实战应用,包括深度学习在图像、语音、文本方向的应用,以及前沿发展等。本书分为10章,大致为3个部分:第1部分(1-3章)介绍深度学习的基础知识。第2部分(4-6章)介绍深度学习的各个方面,从算法设计到模型实现。第3部分(8-10章)介绍深度学习的实战应用以及前沿发展。每章都附有相应的习题和参考文献,以便感兴趣的读者进一步深入思考。 "让学习变得轻松”是本书的基本编写

      立即下载
      深度学习:主流框架和编程实战
      深度学习:主流框架和编程实战 全书扫描版 立即下载
      深度学习原理与TensorFlow实践
      深度学习原理与TensorFlow实践 扫描版

      深度学习原理与TensorFlow实践 主要介绍了深度学习的基础原理和TensorFlow系统基本使用方法。TensorFlow是目前机器学习、深度学习领域最优秀的计算系统之一,本书结合实例介绍了使用TensorFlow开发

      立即下载
      深度学习之图像识别:核心技术与案例实战
      深度学习之图像识别:核心技术与案例实战 立即下载
      PyTorch深度学习
      PyTorch深度学习 原书超清版

      深度学习为全世界的智能控制系统(例如GoogleVoice、Siri和Alexa)出示了驱动力。随之硬件配置(如GPU)和手机软件架构(如PyTorch、Keras、TensorFlow和CNTK)的发展及其互联网大数据的易用性,大家

      立即下载
      TensorFlow+Keras深度学习人工智能实践应用
      TensorFlow+Keras深度学习人工智能实践应用 超清影印版

      本书通过大量的范例浅入深地讲解Keras与TensorFlow深度学习类神经网络,提供安装、上机操作指南,同时辅以大量范例程序介绍TensorFlow + Keras深度学习方面的知识

      立即下载
      大数据架构详解:从数据获取到深度学习
      大数据架构详解:从数据获取到深度学习 高清版

      《大数据架构详解:从数据获取到深度学习》 从架构、业务、技术三个维度深入浅出地介绍了大数据处理领域端到端的知识。主要内容包括三部分:第一部分从数据的产生、采集、计算、存储

      立即下载
      深度学习实战
      深度学习实战 全书完整版

      1.这书去繁化简地对深度神经网络的基础知识开展整理,并对优化算法保持作出通俗易懂的解读,便捷新手学习培训。 2.这书用心选择很多深度神经网络的实例,根据启发式的通过自学方式,使

      立即下载
      图解深度学习与神经网络
      图解深度学习与神经网络 超清版

      本书是以TensorFlow 为工具介绍神经网络和深度学习的入门书,内容循序渐进,以简单示例和图例的形式,展示神经网络和深度学习背后的数学基础原理,帮助读者更好地理解复杂抽象的公式。

      立即下载
      深度学习入门之PyTorch
      深度学习入门之PyTorch 超清版 立即下载
      读者留言
      毛潇然

      毛潇然 提供上传

      资源
      10
      粉丝
      17
      喜欢
      210
      评论
      14

      Copyright 2018-2020 xz577.com 码农之家

      本站所有电子书资源不再提供下载地址,只分享来路

      版权投诉 / 书籍推广 / 赞助:QQ:520161757