解析卷积神经网络 - 深度学习实践手册 PDF 文档

Question

人工智能，一个令人熟悉但却始终倍感陌生的词汇。让人熟悉的是科幻作家艾萨克·阿西莫夫笔下的《机械公敌》和《机器管家》，令人陌生的却是到底如何让现有的机器人咿呀学语邯郸学步；让人熟悉的是计算机科学与人工智能之父图灵设想的“图灵测试”，令人陌生的却是如何使如此的高级智能在现实生活中不再子虚乌有。

让人熟悉的是 kyRe 年初阿尔法狗与李世石的五番棋对决，令人陌生的却是阿尔法狗究竟如何打通了“任督二脉”⋯⋯不可否认，人工智能就是人类为了满足自身强大好奇心而脑洞大开的产物，现在提及人工智能，就不得不提阿尔法狗，提起阿尔法狗就又不得不提到深度学习。深度学习究竟为何物？

本书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”。

目 录
A 绪论 RR
yXR 引言 Rk
yXk 什么是深度学习？ Rj
yXj 深度学习的前世今生 R9
AA 基础理论篇 RN
R 卷积神经网络基础知识 kR
RXR 发展历程 kk
RXk 基本结构 k9
RXj 前馈运算 ke
RX9 反馈运算 kd
RX8 小结 kN
k 卷积神经网络基本部件 jR
kXR “端到端”思想 jR
kXk 网络符号定义 jj
kXj 卷积层 j9
kXjXR 什么是卷积？ j9
kXjXk 卷积操作的作用 je
kX9 汇合层 jd
k
*QTv`B;?i!kyRd- sBm@a?2M q1A 目 录 j
kX9XR 什么是汇合？ j3
kX9Xk 汇合操作的作用 jN
kX8 激活函数 9y
kXe 全连接层 9k
kXd 目标函数 9j
kX3 小结 9j
j 卷积神经网络经典结构 99
jXR *LL 网络结构中的重要概念 99
jXRXR 感受野 99
jXRXk 分布式表示 9e
jXRXj 深度特征的层次性 93
jXk 经典网络案例分析 9N
jXkXR H2t@L2i 网络模型 9N
jXkXk o::@L2ib 网络模型 8j
jXkXj L2irQ`F@AM@L2irQ`F 8j
jXkX9 残差网络模型 89
jXj 小结 8N
9 卷积神经网络的压缩 e9
9XR 低秩近似 ee
9Xk 剪枝与稀疏约束 ed
9Xj 参数量化 dR
9X9 二值网络 d8
9X8 知识蒸馏 dd
9Xe 紧凑的网络结构 dN
9Xd 小结 3R
*QTv`B;?i!kyRd- sBm@a?2M q1A9 目 录
AAA 实践应用篇 3k
8 数据扩充 39
8XR 简单的数据扩充方式 39
8Xk 特殊的数据扩充方式 3e
8XkXR 6 M+v S* 3e
8XkXk 监督式数据扩充 3e
8Xj 小结 3d
e 数据预处理 3N
d 网络参数初始化 NR
dXR 全零初始化 Nk
dXk 随机初始化 Nk
dXj 其他初始化方法 N8
dX9 小结 Ne
3 激活函数 Nd
3XR aB;KQB/ 型函数 N3
3Xk i M?(x) 型函数 NN
3Xj 修正线性单元（_2Gl） NN
3X9 G2 Fv _2Gl Ryy
3X8 参数化 _2Gl Ryy
3Xe 随机化 _2Gl RyR
3Xd 指数化线性单元（1Gl） Ryj
3X3 小结 Ryj
N 目标函数 Rye
NXR 分类任务的目标函数 Rye
NXRXR 交叉熵损失函数 Ryd
NXRXk 合页损失函数 Ryd
*QTv`B;?i!kyRd- sBm@a?2M q1A 目 录 8
NXRXj 坡道损失函数 Ryd
NXRX9 大间隔交叉熵损失函数 RyN
NXRX8 中心损失函数 RRy
NXk 回归任务的目标函数 RRk
NXkXR ℓ1 损失函数 RRj
NXkXk ℓ2 损失函数 RRj
NXkXj hmF2vǶb #Br2B;?i 损失函数 RRj
NXj 其他任务的目标函数 RR9
NX9 小结 RRe
Ry 网络正则化 RRd
RyXR ℓ2 正则化 RR3
RyXk ℓ1 正则化 RRN
RyXj 最大范数约束 RRN
RyX9 随机失活 RRN
RyX8 验证集的使用 Rky
RyXe 小结 Rkk
RR 超参数设定和网络训练 Rk9
RRXR 网络超参数设定 Rk9
RRXRXR 输入数据像素大小 Rk9
RRXRXk 卷积层参数的设定 Rk8
RRXRXj 汇合层参数的设定 Rke
RRXk 训练技巧 Rke
RRXkXR 训练数据随机打乱 Rke
RRXkXk 学习率的设定 Rkd
RRXkXj 批规范化操作 Rk3
RRXkX9 网络模型优化算法选择 Rjy
RRXkX8 微调神经网络 Rj9
RRXj 小结 Rj8
*QTv`B;?i!kyRd- sBm@a?2M q1Ae 目 录
Rk 不平衡样本的处理 Rjd
RkXR 数据层面处理方法 Rj3
RkXRXR 数据重采样 Rj3
RkXRXk 类别平衡采样 RjN
RkXk 算法层面处理方法 R9y
RkXkXR 代价敏感方法 R9y
RkXkXk 代价敏感法中权重的指定方式 R9R
RkXj 小结 R9j
Rj 模型集成方法 R98
RjXR 数据层面的集成方法 R98
RjXRXR 测试阶段数据扩充 R98
RjXRXk “简易集成”法 R9e
RjXk 模型层面的集成方法 R9e
RjXkXR 单模型集成 R9e
RjXkXk 多模型集成 R93
RjXj 小结 R8y
R9 深度学习开源工具简介 R8k
R9XR 常用框架对比 R8k
R9Xk 常用框架的各自特点 R88
R9XkXR * z2 R88
R9XkXk .22TH2 `MBM;9D R88
R9XkXj E2` b R8e
R9XkX9 JsL2i R8e
R9XkX8 J i*QMpL2i R8d
R9XkXe h2MbQ`6HQr R8d
R9XkXd h?2 MQ R8d
R9XkX3 hQ`+? R83
*QTv`B;?i!kyRd- sBm@a?2M q1A 目 录 d
Ao 附录 R8N
向量、矩阵及其基本运算 ReR
XR 向量及其基本运算 ReR
XRXR 向量 ReR
XRXk 向量范数 Rek
XRXj 向量运算 Rek
Xk 矩阵及其基本运算 Rek
XkXR 矩阵 Rek
XkXk 矩阵范数 Rej
XkXj 矩阵运算 Rej
" 随机梯度下降 Re8
* 链式法则

下载地址：https://www.wenjiangs.com/wp-content/uploads/2025/03/RlP33TUZIBlTKGxp.zip