卷积神经网络的Python实现 PDF 超清版

我们帮大家精选了卷积神经网络相关的 PDF电子书资料，由人民邮电出版社出版，作者是单建华，介绍了关于神经网络、Python方面，格式为PDF，资源大小113.8 MB，目前在卷积神经网络类资源综合评分为：8.4分。

卷积神经网络的Python实现 电子书封面

内容介绍

卷积神经网络是深度学习重要的模型之一。本书是卷积神经网络领域的入门读物，假定读者不具备任何机器学习知识。书中尽可能少地使用数学知识，从机器学习的概念讲起，以卷积神经网络的zui新发展结束。 本书首先简单介绍了机器学习的基本概念，详细讲解了线性模型、神经网络和卷积神经网络模型，然后介绍了基于梯度下降法的优化方法和梯度反向传播算法，接着介绍了训练网络前的准备工作、神经网络实战、卷积神经网络的应用及其发展。针对每个关键知识点，书中给出了基于NumPy 的代码实现，以及完整的神经网络和卷积神经网络代码实现，方便读者训练网络和查阅代码。 本书既可以作为卷积神经网络的教材，也可以供对卷积神经网络感兴趣的工程技术人员和科研人员参考。

目录

• 第 一部分 模型篇
• 第 1章 机器学习简介 2
• 1.1 引言 2
• 1.2 基本术语 3
• 1.3 重要概念 5
• 1.4 图像分类 12
• 1.5 MNIST数据集简介 15
• 第 2章 线性分类器 17
• 2.1 线性模型 17
• 2.1.1 线性分类器 18
• 2.1.2 理解线性分类器 19
• 2.1.3 代码实现 21
• 2.2 softmax损失函数 22
• 2.2.1 损失函数的定义 23
• 2.2.2 概率解释 24
• 2.2.3 代码实现 25
• 2.3 优化 26
• 2.4 梯度下降法 26
• 2.4.1 梯度的解析意义 27
• 2.4.2 梯度的几何意义 29
• 2.4.3 梯度的物理意义 29
• 2.4.4 梯度下降法代码实现 29
• 2.5 牛顿法 30
• 2.6 机器学习模型统一结构 31
• 2.7 正则化 33
• 2.7.1 范数正则化 34
• 2.7.2 提前终止训练 37
• 2.7.3 概率的进一步解释 38
• 第3章 神经网络 39
• 3.1 数学模型 39
• 3.2 激活函数 41
• 3.3 代码实现 44
• 3.4 学习容量和正则化 45
• 3.5 生物神经科学基础 48
• 第4章 卷积神经网络的结构 50
• 4.1 概述 50
• 4.1.1 局部连接 51
• 4.1.2 参数共享 52
• 4.1.3 3D特征图 52
• 4.2 卷积层 53
• 4.2.1 卷积运算及代码实现 54
• 4.2.2 卷积层及代码初级实现 57
• 4.2.3 卷积层参数总结 63
• 4.2.4 用连接的观点看卷积层 64
• 4.2.5 使用矩阵乘法实现卷积层运算 67
• 4.2.6 批量数据的卷积层矩阵乘法的代码实现 69
• 4.3 池化层 74
• 4.3.1 概述 74
• 4.3.2 池化层代码实现 76
• 4.4 全连接层 79
• 4.4.1 全连接层转化成卷积层 80
• 4.4.2 全连接层代码实现 82
• 4.5 卷积网络的结构 83
• 4.5.1 层的组合模式 83
• 4.5.2 表示学习 86
• 4.6 卷积网络的神经科学基础 87
• 第二部分 优化篇
• 第5章 基于梯度下降法的最优化方法 90
• 5.1 随机梯度下降法SGD 91
• 5.2 基本动量法 93
• 5.3 Nesterov动量法 95
• 5.4 AdaGrad 95
• 5.5 RMSProp 97
• 5.6 Adam 98
• 5.7 AmsGrad 99
• 5.8 学习率退火 99
• 5.9 参数初始化 100
• 5.10 超参数调优 101
• 第6章 梯度反向传播算法 104
• 6.1 基本函数的梯度 104
• 6.2 链式法则 105
• 6.3 深度网络的误差反向传播算法 107
• 6.4 矩阵化 109
• 6.5 softmax损失函数梯度计算 111
• 6.6 全连接层梯度反向传播 112
• 6.7 激活层梯度反向传播 113
• 6.8 卷积层梯度反向传播 115
• 6.9 最大值池化层梯度反向传播 118
• 第三部分 实战篇
• 第7章 训练前的准备 124
• 7.1 中心化和规范化 124
• 7.1.1 利用线性模型推导中心化 125
• 7.1.2 利用属性同等重要性推导规范化 126
• 7.1.3 中心化和规范化的几何意义 128
• 7.2 PCA和白化 128
• 7.2.1 从去除线性相关性推导PCA 129
• 7.2.2 PCA代码 130
• 7.2.3 PCA降维 131
• 7.2.4 PCA的几何意义 133
• 7.2.5 白化 134
• 7.3 卷积网络在进行图像分类时如何预处理 135
• 7.4 BN 136
• 7.4.1 BN前向计算 136
• 7.4.2 BN层的位置 137
• 7.4.3 BN层的理论解释 138
• 7.4.4 BN层在实践中的注意事项 139
• 7.4.5 BN层的梯度反向传播 140
• 7.4.6 BN层的地位探讨 141
• 7.4.7 将BN层应用于卷积网络 141
• 7.5 数据扩增 142
• 7.6 梯度检查 144
• 7.7 初始损失值检查 146
• 7.8 过拟合微小数据子集 146
• 7.9 监测学习过程 147
• 7.9.1 损失值 147
• 7.9.2 训练集和验证集的准确率 148
• 7.9.3 参数更新比例 149
• 第8章 神经网络实例 150
• 8.1 生成数据 150
• 8.2 数据预处理 152
• 8.3 网络模型 153
• 8.4 梯度检查 156
• 8.5 参数优化 158
• 8.6 训练网络 159
• 8.7 过拟合小数据集 162
• 8.8 超参数随机搜索 162
• 8.9 评估模型 165
• 8.10 程序组织结构 165
• 8.11 增加BN层 167
• 8.12 程序使用建议 171
• 第9章 卷积神经网络实例 172
• 9.1 程序结构设计 173
• 9.2 激活函数 173
• 9.3 正则化 174
• 9.4 优化方法 175
• 9.5 卷积网络的基本模块 176
• 9.6 训练方法 181
• 9.7 VGG网络结构 186
• 9.8 MNIST数据集 197
• 9.9 梯度检测 199
• 9.10 MNIST数据集的训练结果 202
• 9.11 程序使用建议 205
• 第 10章 卷积网络结构的发展 206
• 10.1 全局平均池化层 206
• 10.2 去掉池化层 208
• 10.3 网络向更深更宽发展面临的困难 209
• 10.4 ResNet向更深发展的代表网络 210
• 10.5 GoogLeNet向更宽发展的代表网络 213
• 10.6 轻量网络 215
• 10.6.1 1×1深度维度卷积代码实现 217
• 10.6.2 3×3逐特征图的卷积代码实现 219
• 10.6.3 逆残差模块的代码实现 222
• 10.7 注意机制网络SENet 223

以上就是本次关于书籍资源的介绍和部分内容，我们还整理了以往更新的其它相关电子书资源内容，可以在下方直接下载，关于相关的资源我们在下方做了关联展示，需要的朋友们也可以参考下。