深度卷积网络:原理与实践

深度卷积网络:原理与实践

查阅电子书
手机扫码
  • 微信扫一扫

    关注微信公众号

因版权原因待上架

编辑推荐

为读者依次揭开神经网络、卷积网络和深度卷积网络的神秘面纱,让读者了解AI的“思考过程”,以及与人类思维的相同和不同之处。

内容简介

本书正文内容可分3部分,共9章:综述篇(第1,6,9章)这三章不需要编程和数学基础,如果读者尚不熟悉技术,推荐优先阅读,尤其是第1和第9章。它们分别介绍:深度学习的基本概念,AlphaGo的架构综述,深度学习的问题和未来展望。深度卷积网络篇(第2,3,4,5章)。这四章结合理论与实际代码,由浅入深,从神经网络,到卷积网络,到深度卷积网络,让读者掌握深度卷积网络的基础知识、实践技巧和新发展,是本书的关键所在,值得仔细阅读。实战篇(第7,8章)。这两章分别讲述AlphaGo和GAN的训练和应用细节,包括详细的代码分析。

作者简介

作者彭博,人工智能、量化交易、区块链领域的技术专家,有20年以上的研发经验。在人工智能与信息科技方面,对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究;在量化交易方面,曾在全球大的外汇对冲基金负责程序化交易,对市场的微观和宏观行为有较为深入的理解;在区块链方面,对智能合约、DApp开发和自动交易有较为深入的实践。知乎上科技领域的大V,在专栏撰有大量技术文章。

章节目录

版权信息

前言

引子 神之一手

第1章 走进深度学习的世界

1.1 从人工智能到深度学习

1.2 深度神经网络的威力:以AlphaGo为例

1.2.1 策略网络简述

1.2.2 泛化:看棋谱就能学会下围棋

1.2.3 拟合与过拟合

1.2.4 深度神经网络的速度优势

1.3 深度神经网络的应用大观

1.3.1 图像分类问题的难度所在

1.3.2 用深度神经网络理解图像

1.3.3 AlphaGo中的深度神经网络

1.3.4 自动发现规律:从数据A到答案B

1.3.5 深度神经网络的更多应用

1.3.6 从分而治之,到端对端学习

1.4 亲自体验深度神经网络

1.4.1 TensorFlow游乐场

1.4.2 MNIST数字识别实例:LeNet-5

1.4.3 策略网络实例

1.4.4 简笔画:Sketch-RNN

1.4.5 用GAN生成动漫头像

1.5 深度神经网络的基本特点

1.5.1 两大助力:算力、数据

1.5.2 从特征工程,到逐层抽象

1.5.3 深度神经网络学会的是什么

1.6 人工智能与神经网络的历史

1.6.1 人工智能的两大学派:逻辑与统计

1.6.2 人工智能与神经网络的现代编年史

第2章 深度卷积网络:第一课

2.1 神经元:运作和训练

2.1.1 运作:从实例说明

2.1.2 训练:梯度下降的思想

2.1.3 训练:梯度下降的公式

2.1.4 训练:找大小问题的初次尝试

2.1.5 训练:Excel的实现

2.1.6 重要知识:批大小、mini-batch、epoch

2.2 深度学习框架MXNet:安装和使用

2.2.1 计算图:动态与静态

2.2.2 安装MXNet:准备工作

2.2.3 在Windows下安装MXNet

2.2.4 在macOS下安装MXNet:CPU版

2.2.5 在macOS下安装MXNet:GPU版

2.2.6 在Linux下安装MXNet

2.2.7 安装Jupyter演算本

2.2.8 实例:在MXNet训练神经元并体验调参

2.3 神经网络:运作和训练

2.3.1 运作:前向传播,与非线性激活的必要性

2.3.2 运作:非线性激活

2.3.3 训练:梯度的计算公式

2.3.4 训练:实例

2.3.5 训练:Excel的实现

2.3.6 训练:反向传播

2.3.7 重要知识:梯度消失,梯度爆炸

2.3.8 从几何观点理解神经网络

2.3.9 训练:MXNet的实现

第3章 深度卷积网络:第二课

3.1 重要理论知识

3.1.1 数据:训练集、验证集、测试集

3.1.2 训练:典型过程

3.1.3 有监督学习:回归、分类、标签、排序、Seq2Seq

3.1.4 无监督学习:聚类、降维、自编码、生成模型、推荐

3.1.5 训练的障碍:欠拟合、过拟合

3.1.6 训练的细节:局部极值点、鞍点、梯度下降算法

3.2 神经网络的正则化

3.2.1 修改损失函数:L2和L1正则化

3.2.2 修改网络架构:Dropout正则化

3.2.3 更多技巧:集合、多任务学习、参数共享等

3.2.4 数据增强与预处理

3.3 神经网络的调参

3.3.1 学习速率

3.3.2 批大小

3.3.3 初始化方法

3.3.4 调参实战:重返TensorFlow游乐场

3.4 实例:MNIST问题

3.4.1 重要知识:SoftMax层、交叉熵损失

3.4.2 训练代码与网络架构

3.4.3 超越MNIST:最新的Fashion-MNIST数据集

3.5 网络训练的常见bug和检查方法

3.6 网络训练性能的提高

第4章 深度卷积网络:第三课

4.1 卷积网络:从实例说明

4.1.1 实例:找橘猫,最原始的方法

4.1.2 实例:找橘猫,更好的方法

4.1.3 实例:卷积和池化

4.1.4 卷积网络的运作

4.2 运作:AlphaGo眼中的棋盘

4.2.1 棋盘的编码

4.2.2 最简化的策略网络

4.2.3 最简化的策略网络:特征层和卷积后的结果

4.3 卷积神经网络:进一步了解

4.3.1 卷积核、滤波器与参数量的计算

4.3.2 运作和训练的计算

4.3.3 外衬与步长

4.3.4 缩小图像:池化与全局池化

4.3.5 放大图像:转置卷积

4.4 实例:用卷积网络解决MNIST问题

4.4.1 网络架构的定义与参数量的计算

4.4.2 训练MNIST网络

4.4.3 在MXNet运行训练后的网络

4.4.4 调参实例

4.4.5 在Fashion-MNIST数据集的结果

4.5 MXNet的使用技巧

4.5.1 快速定义多个层

4.5.2 网络的保存与读取

4.5.3 图像数据的打包和载入

4.5.4 深入MXNet训练细节

4.5.5 在浏览器和移动设备运行神经网络

第5章 深度卷积网络:第四课

5.1 经典的深度卷积网络架构

5.1.1 深度学习革命的揭幕者:AlexNet

5.1.2 常用架构:VGG系列

5.1.3 去掉全连接层:DarkNet系列

5.2 网络的可视化:以AlexNet为例

5.3 迁移学习:精调、预训练等

5.4 架构技巧:基本技巧

5.4.1 感受野与缩小卷积核

5.4.2 使用1×1卷积核

5.4.3 批规范化

5.4.4 实例:回顾Fashion-MNIST问题

5.4.5 实例:训练CIFAR-10模型

5.5 架构技巧:残差网络与通道组合

5.5.1 残差网络:ResNet的思想

5.5.2 残差网络:架构细节

5.5.3 残差网络:来自于集合的理解与随机深度

5.5.4 残差网络:MXNet实现,以策略网络为例

5.5.5 通道组合:Inception模组

5.5.6 通道组合:XCeption架构,深度可分卷积

5.5.7 实例:再次训练CIFAR-10模型

5.6 架构技巧:更多进展

5.6.1 残差网络进展:ResNext、Pyramid Net、DenseNet

5.6.2 压缩网络:SqueezeNet、MobileNet、ShuffleNet

5.6.3 卷积核的变形

5.7 物体检测与图像分割

5.7.1 YOLO v1:实时的物体检测网络

5.7.2 YOLO v2:更快、更强

5.7.3 Faster R-CNN:准确的物体检测网络

5.7.4 Mask-RCNN:准确的图像分割网络

5.8 风格转移

第6章 AlphaGo架构综述

6.1 从AlphaGo到AlphaZero

6.1.1 AlphaGo v13与AlphaGo v18

6.1.2 AlphaGo Master与AlphaGo Zero

6.1.3 解决一切棋类:AlphaZero

6.2 AlphaGo的对弈过程

6.2.1 策略网络

6.2.2 来自人类的思路

6.2.3 蒙特卡洛树搜索与估值问题

6.2.4 从快速走子估值到价值网络

6.2.5 从搜索树看策略与价值网络的作用

6.2.6 策略与价值网络的运作实例

6.3 AlphaGo中的深度卷积网络架构

6.4 AlphaGo的训练过程

6.4.1 原版AlphaGo:策略梯度方法

6.4.2 新版AlphaGo:从蒙特卡洛树搜索学习

6.5 AlphaGo方法的推广

第7章 训练策略网络与实战

7.1 训练前的准备工作

7.1.1 棋谱数据

7.1.2 落子模拟

7.1.3 终局判断

7.2 训练代码

7.2.1 主程序:train.py

7.2.2 训练参数:config.py

7.2.3 辅助函数:util.py

7.2.4 棋盘随机变换:symmetry.py

7.2.5 训练实例

7.3 对弈实战

第8章 生成式对抗网络:GAN

8.1 GAN的起源故事

8.2 GAN的基本原理

8.2.1 生成模型:从图像到编码,从编码到图像

8.2.2 GAN的基本效果

8.2.3 GAN的训练方法

8.3 实例:DCGAN及训练过程

8.3.1 网络架构

8.3.2 训练代码

8.4 GAN的更多架构和应用

8.4.1 图像转移:CycleGAN系列

8.4.2 生成高分辨率图像:nVidia的改进

8.4.3 自动提取信息:InfoGAN

8.4.4 更多应用

8.5 更多的生成模型方法

8.5.1 自编码器:从AE到VAE

8.5.2 逐点生成:PixelRNN和PixelCNN系列

8.5.3 将VAE和GAN结合:CVAE-GAN

第9章 通向智能之秘

9.1 计算机视觉的难度

9.2 对抗样本,与深度网络的特点

9.3 人工智能的挑战与机遇

9.3.1 棋类游戏中的电脑陷阱

9.3.2 偏见、过滤气泡与道德困境

9.3.3 语言的迷局

9.3.4 强化学习、机器人与目标函数

9.3.5 创造力、审美与意识之谜

9.3.6 预测学习:机器学习的前沿

9.4 深度学习的理论发展

9.4.1 超越反向传播:预测梯度与生物模型

9.4.2 超越神经网络:Capsule与gcForest

9.4.3 泛化问题

9.5 深度学习与人工智能的展望

9.5.1 工程层面

9.5.2 理论层面

9.5.3 应用层面

跋 人工智能与我们的未来

附录 深度学习与AI的网络资源

深度卷积网络:原理与实践是2018年由机械工业出版社华章分社出版,作者彭博。

得书感谢您对《深度卷积网络:原理与实践》关注和支持,如本书内容有不良信息或侵权等情形的,请联系本网站。

购买这本书

你可能喜欢
Flink原理与实践 电子书
本书围绕大数据流处理领域,介绍FlinkDataStreamAPI、时间和窗口、状态和检查点、TableAPI&SQL等知识。书中以实践为导向,使用大量真实业务场景案例来演示如何基于Flink进行流处理。
深度学习入门与TensorFlow实践 电子书
基于TensorFlow2,系统讲述如何搭建、训练和应用深度学习模型。
云计算原理与实践 电子书
本书系统地讲解了云计算的知识框架,包括云计算的三大认识角度(商业模式、计算范式、实现方式)、四个关键技术(计算、存储、网络、安全)、四种开发运维维度(云原生应用、云操作系统、云端软件、云运维),以及三大应用场景(云桌面、开发云、大数据与人工智能)。本书在大部分的章中安排了一个或多个基于开源软件的实训内容,以帮助读者更有效地动手实践,包括GitHub、Hadoop、OpenStack、KVM、Doc
边缘计算原理与实践 电子书
本书对边缘计算的发展历史与趋势、几种典型的边缘计算技术的基本架构与原理进行了阐述,并对边缘计算涉及的关键技术与最新进展、部署方案、应用场景与实践进行了详细讲解。本书涉及的内容广泛、技术思想凝炼,突出核心原理和关键技术的阐述,同时力图深入讲解边缘计算开源平台的使用过程。本书对从事边缘计算技术研发的专业人士、网络运营管理人员、相关专业高校学生以及对边缘计算技术感兴趣的读者,都具有一定的参考价值。
软件定义网络核心原理与应用实践(第二版)上册 电子书
本系列丛书包含核心原理和应用实践上下两册,对SDN技术进行了全面剖析和深入解读。本册属于核心原理部分,首先阐述了SDN的设计思想与体系架构,详细分析了控制转发分离和开放可编程两个重要属性,其次介绍了以OpenFlow为代表的SDN南向接口协议,以及北向和东西向接口协议,接下来根据SDN的层次化架构,自下而上依次介绍了SDN数据平面、控制平面和应用案例,梳理总结了SDN标准化和学术进展情况。