卷积神经网络的Python实现
<p>卷积神经网络是深度学习最重要的模型之一。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，以卷积神经网络的最新发展结束。</p><p> </p>
<p>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。</p>
<p> </p>
<p>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。</p>
<p> </p>
<p>第一部分 模型篇<br />
第1章 机器学习简介<br />
1.1 引言<br />
1.2 基本术语<br />
1.3 重要概念<br />
1.4 图像分类<br />
1.5 MNIST数据集简介<br />
第2章 线性分类器<br />
2.1 线性模型<br />
2.1.1 线性分类器<br />
2.1.2 理解线性分类器<br />
2.1.3 代码实现<br />
2.2 softmax损失函数<br />
2.2.1 损失函数的定义<br />
2.2.2 概率解释<br />
2.2.3 代码实现<br />
2.3 优化<br />
2.4 梯度下降法<br />
2.4.1 梯度的解析意义<br />
2.4.2 梯度的几何意义<br />
2.4.3 梯度的物理意义<br />
2.4.4 梯度下降法代码实现<br />
2.5 牛顿法<br />
2.6 机器学习模型统一结构<br />
2.7 正则化<br />
2.7.1 范数正则化<br />
2.7.2 提前终止训练<br />
2.7.3 概率的进一步解释<br />
第3章 神经网络<br />
3.1 数学模型<br />
3.2 激活函数<br />
3.3 代码实现<br />
3.4 学习容量和正则化<br />
3.5 生物神经科学基础<br />
第4章 卷积神经网络的结构<br />
4.1 概述<br />
4.1.1 局部连接<br />
4.1.2 参数共享<br />
4.1.3 3D特征图<br />
4.2 卷积层<br />
4.2.1 卷积运算及代码实现<br />
4.2.2 卷积层及代码初级实现<br />
4.2.3 卷积层参数总结<br />
4.2.4 用连接的观点看卷积层<br />
4.2.5 使用矩阵乘法实现卷积层运算<br />
4.2.6 批量数据的卷积层矩阵乘法的代码实现<br />
4.3 池化层<br />
4.3.1 概述<br />
4.3.2 池化层代码实现<br />
4.4 全连接层<br />
4.4.1 全连接层转化成卷积层<br />
4.4.2 全连接层代码实现<br />
4.5 卷积网络的结构<br />
4.5.1 层的组合模式<br />
4.5.2 表示学习<br />
4.6 卷积网络的神经科学基础<br />
第二部分 优化篇<br />
第5章 基于梯度下降法的最优化方法<br />
5.1 随机梯度下降法SGD<br />
5.2 基本动量法<br />
5.3 Nesterov动量法<br />
5.4 AdaGrad<br />
5.5 RMSProp<br />
5.6 Adam<br />
5.7 AmsGrad<br />
5.8 学习率退火<br />
5.9 参数初始化<br />
5.10 超参数调优<br />
第6章 梯度反向传播算法<br />
6.1 基本函数的梯度<br />
6.2 链式法则<br />
6.3 深度网络的误差反向传播算法<br />
6.4 矩阵化<br />
6.5 softmax损失函数梯度计算<br />
6.6 全连接层梯度反向传播<br />
6.7 激活层梯度反向传播<br />
6.8 卷积层梯度反向传播<br />
6.9 最大值池化层梯度反向传播<br />
第三部分 实战篇<br />
第7章 训练前的准备<br />
7.1 中心化和规范化<br />
7.1.1 利用线性模型推导中心化<br />
7.1.2 利用属性同等重要性推导规范化<br />
7.1.3 中心化和规范化的几何意义<br />
7.2 PCA和白化<br />
7.2.1 从去除线性相关性推导PCA<br />
7.2.2 PCA代码<br />
7.2.3 PCA降维<br />
7.2.4 PCA的几何意义<br />
7.2.5 白化<br />
7.3 卷积网络在进行图像分类时如何预处理<br />
7.4 BN<br />
7.4.1 BN前向计算<br />
7.4.2 BN层的位置<br />
7.4.3 BN层的理论解释<br />
7.4.4 BN层在实践中的注意事项<br />
7.4.5 BN层的梯度反向传播<br />
7.4.6 BN层的地位探讨<br />
7.4.7 将BN层应用于卷积网络<br />
7.5 数据扩增<br />
7.6 梯度检查<br />
7.7 初始损失值检查<br />
7.8 过拟合微小数据子集<br />
7.9 监测学习过程<br />
7.9.1 损失值<br />
7.9.2 训练集和验证集的准确率<br />
7.9.3 参数更新比例<br />
第8章 神经网络实例<br />
8.1 生成数据<br />
8.2 数据预处理<br />
8.3 网络模型<br />
8.4 梯度检查<br />
8.5 参数优化<br />
8.6 训练网络<br />
8.7 过拟合小数据集<br />
8.8 超参数随机搜索<br />
8.9 评估模型<br />
8.10 程序组织结构<br />
8.11 增加BN层<br />
8.12 程序使用建议<br />
第9章 卷积神经网络实例<br />
9.1 程序结构设计<br />
9.2 激活函数<br />
9.3 正则化<br />
9.4 优化方法<br />
9.5 卷积网络的基本模块<br />
9.6 训练方法<br />
9.7 VGG网络结构<br />
9.8 MNIST数据集<br />
9.9 梯度检测<br />
9.10 MNIST数据集的训练结果<br />
9.11 程序使用建议<br />
第10章 卷积网络结构的发展<br />
10.1 全局平均池化层<br />
10.2 去掉池化层<br />
10.3 网络向更深更宽发展面临的困难<br />
10.4 ResNet向更深发展的代表网络<br />
10.5 GoogLeNet向更宽发展的代表网络<br />
10.6 轻量网络<br />
10.6.1 1×1深度维度卷积代码实现<br />
10.6.2 3×3逐特征图的卷积代码实现<br />
10.6.3 逆残差模块的代码实现<br />
10.7 注意机制网络SENet</p>
<p> </p>
<p><a href="https://download.eeworld.com.cn/detail/%E6%8A%9B%E7%A0%96%E5%BC%95%E7%8E%89/629953" target="_blank">https://download.eeworld.com.cn/detail/%E6%8A%9B%E7%A0%96%E5%BC%95%E7%8E%89/629953</a></p>
<p>非常好的电子书，内容实用，清晰度高，谢谢分享</p>
非常好的电子书，清晰度高，内容实用，谢谢楼主分享，已下载。 <p>用来学习神经网络好的电子书，谢谢楼主分享，不知道有没有c++版本的。</p>
页:
[1]