深度學習—卷積神經(jīng)網(wǎng)絡(luò)算法原理與應(yīng)用

中國水利水電出版社

【作者】王改華

【I S B N 】978-7-5170-7595-0

【責任編輯】張玉玲

【適用讀者群】本專通用

【出版時間】2019-04-20

【開本】16開

【裝幀信息】平裝（光膜）

【版次】第1版第1次印刷

【頁數(shù)】156

【千字數(shù)】170

【印張】9.75

【定價】￥29

【叢書】普通高等教育數(shù)據(jù)科學與大數(shù)據(jù)技術(shù)專業(yè)教材

【備注信息】

圖書詳情

簡介

本書特色

前言

章節(jié)列表

精彩閱讀

下載資源

相關(guān)圖書

考慮到近幾年深度學習的快速發(fā)展，而此方面的教材缺乏，本書以卷積神經(jīng)網(wǎng)絡(luò)算法原理為基礎(chǔ)，對最近幾年提出的卷積神經(jīng)網(wǎng)絡(luò)進行系統(tǒng)介紹。

本書較全面地介紹了卷積神經(jīng)網(wǎng)絡(luò)的基本內(nèi)容，注重卷積神經(jīng)網(wǎng)絡(luò)的基本概念、基本原理和網(wǎng)絡(luò)結(jié)構(gòu)的闡述。全書共分為九章，第1章～第3章介紹了深度學習及卷積神經(jīng)網(wǎng)絡(luò)的概念及發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)相關(guān)的數(shù)學基礎(chǔ)知識，神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)算法原理等知識點；第4章、第5章對卷積神經(jīng)網(wǎng)絡(luò)的基本原理及擴展機制進行剖析；第6章介紹了自編碼器的一些基本原理及算法；第7章針對卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化算法進行了詳細的分析說明；第8章、第9章是卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu)及卷積神經(jīng)網(wǎng)絡(luò)的壓縮算法應(yīng)用。

附錄中增加了部分典型卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的Matlab及Python程序，結(jié)合實際、突出應(yīng)用，旨在幫助使用者加深對基本概念的理解和提高綜合問題分析的能力。

全書內(nèi)容豐富，層次分明，主要面向人工智能及相關(guān)專業(yè)的高年級本科生及研究生，也可做為從事深度學習的軟件工程師的參考書目。

體系完整、通俗易懂，系統(tǒng)講述卷積神經(jīng)網(wǎng)絡(luò)基本原理

詳細闡述前向傳播、反向傳播、優(yōu)化算法

系統(tǒng)介紹卷積神經(jīng)網(wǎng)絡(luò)和自編碼器的常用算法

詳盡分析算法實例應(yīng)用

深度學習是機器學習研究中的一個新的領(lǐng)域，其動機在于建立、模擬人腦進行分析學習的神經(jīng)網(wǎng)絡(luò)，它模仿人腦的機制來解釋數(shù)據(jù)。自2006年深度學習概念被提出以來，其以極高的發(fā)展速度在各行各業(yè)得到了廣泛的應(yīng)用。基于深度學習的新技術(shù)、新算法不斷涌現(xiàn)。本書以深度學習中卷積神經(jīng)網(wǎng)絡(luò)算法原理為基礎(chǔ)，對最近幾年提出的卷積神經(jīng)網(wǎng)絡(luò)進行系統(tǒng)介紹。

本書力求體系完整、通俗易懂，書中系統(tǒng)地講述了卷積神經(jīng)網(wǎng)絡(luò)的基本原理，從前向傳播、反向傳播、優(yōu)化算法等方面詳細闡述。同時對卷積神經(jīng)網(wǎng)絡(luò)和自編碼器的常用算法進行介紹。針對算法實例應(yīng)用進行分析。

本書資料搜集工作：袁國亮搜集整理第6章，呂朦搜集整理第4章、第8章，劉文洲搜集整理第5章，鄭旭、萬溪洲、郭釗搜集整理第2章、第3章、第7章、第8章。

本書在內(nèi)容上注重精選、結(jié)合實際、突出應(yīng)用。主要面向人工智能及相關(guān)專業(yè)的高年級本科生及研究生，也可做為從事深度學習的軟件工程師的參考書目。

由于編者水平有限，加之時間倉促，書中難免存在不當和謬誤之處，懇請有關(guān)專家和廣大讀者不吝賜教。

編者

2019年1月

第1章緒論 1
1.1 深度學習 1
1.1.1 概述 1
1.1.2 基本思想 2
1.1.3 基本分類 2
1.2 卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用 4
1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展 4
1.2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用 5
1.3 自編碼器的發(fā)展及其應(yīng)用 5
1.3.1 自編碼器的發(fā)展 5
1.3.2 自編碼器的應(yīng)用 5
第2章相關(guān)數(shù)學基礎(chǔ)知識 7
2.1 矩陣 7
2.1.1 基本概念 7
2.1.2 矩陣運算 8
2.2 范數(shù) 11
2.2.1 范數(shù)的定義 11
2.2.2 范數(shù)的分類及性質(zhì) 11
2.3 卷積運算 13
2.3.1 定義 13
2.3.2 多維數(shù)組的卷積 14
2.4 激活函數(shù) 15
2.4.1 線性激活函數(shù) 15
2.4.2 非線性激活函數(shù) 16
2.5 信息熵 24
2.5.1 定義 24
2.5.2 條件熵 25
2.5.3 相對熵 26
2.5.4 交叉熵 26
習題 27
第3章神經(jīng)網(wǎng)絡(luò) 28
3.1 人工神經(jīng)網(wǎng)絡(luò) 28
3.1.1 人工神經(jīng)元模型 28
3.1.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 29
3.2 BP神經(jīng)網(wǎng)絡(luò) 30
3.2.1 原理 30
3.2.2 網(wǎng)絡(luò)結(jié)構(gòu) 31
3.2.3 BP神經(jīng)算法原理 32
3.2.4 信號傳遞過程的實現(xiàn) 34
3.2.5 算法分析 35
習題 36
第4章卷積神經(jīng)網(wǎng)絡(luò) 37
4.1 原理 37
4.1.1 動機 37
4.1.2 卷積神經(jīng)網(wǎng)絡(luò)特點 37
4.2 LeNet-5 38
4.2.1 網(wǎng)絡(luò)總體結(jié)構(gòu) 38
4.2.2 分層結(jié)構(gòu) 39
4.3 反向傳播 43
4.3.1 全連接的反向過程 43
4.3.2 卷積的反向過程 43
4.3.3 池化的反向過程 46
4.3.4 輸出層反向傳播 47
4.3.5 權(quán)值更新 48
習題 49
第5章卷積神經(jīng)網(wǎng)絡(luò)擴展機制 50
5.1 注意力機制 50
5.1.1 注意機制的分類 50
5.1.2 深度學習中的注意機制 51
5.2 卷積變體 53
5.2.1 組卷積 53
5.2.2 深度可分離卷積 55
5.2.3 膨脹卷積 56
5.2.4 全卷積網(wǎng)絡(luò) 57
習題 59
第6章自編碼器網(wǎng)絡(luò) 60
6.1 相關(guān)概念 60
6.1.1 稀疏性 60
6.1.2 稀疏編碼 60
6.2 自編碼器概述 61
6.3 自編碼器原理 62
6.4 自編碼器的拓展網(wǎng)絡(luò) 65
6.4.1 稀疏自編碼 65
6.4.2 棧式自編碼 67
6.4.3 去噪自編碼 69
6.4.4 壓縮自編碼 70
6.5 自編碼器的編程實現(xiàn) 72
習題 72
第7章卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化 73
7.1 正則化與歸一化 73
7.1.1 概念 73
7.1.2 參數(shù)范數(shù)懲罰 74
7.1.3 Dropout 75
7.1.4 歸一化 77
7.2 基于梯度的優(yōu)化方法 78
7.2.1 基本算法 79
7.2.2 自適應(yīng)學習率算法 84
習題 87
第8章卷積神經(jīng)網(wǎng)絡(luò)的典型結(jié)構(gòu) 88
8.1 概述 88
8.2 AlexNet網(wǎng)絡(luò) 88
8.2.1 AlexNet基本框架 88
8.2.2 AlexNet數(shù)據(jù)處理 89
8.3 GoogLenet網(wǎng)絡(luò) 93
8.3.1 背景 93
8.3.2 Inception V1 93
8.3.3 Inception V2與V3 94
8.3.4 Inception V4 95
8.3.5 Xception 96
8.4 ResNet網(wǎng)絡(luò)結(jié)構(gòu) 97
8.4.1 ResNet網(wǎng)絡(luò) 97
8.4.2 ResNeXt 98
8.5 ShuffleNet網(wǎng)絡(luò)結(jié)構(gòu) 100
8.5.1 網(wǎng)絡(luò)簡介 100
8.5.2 模型結(jié)構(gòu) 100
8.5.3 ShuffleNet V2 102
8.6 DenseNet網(wǎng)絡(luò)結(jié)構(gòu) 102
8.6.1 Dense block 103
8.6.2 整體結(jié)構(gòu) 103
8.7 數(shù)據(jù)集介紹 104
8.7.1 圖像分類數(shù)據(jù)集 104
8.7.2 語義分割數(shù)據(jù)集 109
第9章卷積神經(jīng)網(wǎng)絡(luò)的壓縮 112
9.1 核的稀疏化 112
9.2 剪枝 113
9.2.1 剪枝的概念 113
9.2.2 剪枝的類型 113
9.3 模型量化 114
9.3.1 量化轉(zhuǎn)換 114
9.3.2 向量化 115
9.4 模型蒸餾 116
參考文獻 119
附錄 125
BP神經(jīng)網(wǎng)絡(luò)實現(xiàn)人臉識別程序 125
自編碼器程序 129
AlexNet程序 130
GoogLeNet程序 133
ResNeXt程序 136
DenseNet程序 141