2020-01-02 16:31 5568次浏览 0条评论

深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。第一部分绪论1 0.1 引言 . 2 0.2 什么是

2020-01-02 16:21 3536次浏览 0条评论

本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。第1章 概述1.1 深度学习的起源和发展1.2 卷积神经网络的形成和演变1.3 卷积神经网络的应用和影响1.4 卷积神经网络的缺陷和视图1.5 卷积神经网络的GPU实现和cuDNN库1.6 卷积神经网络的平台和工具1.7 本书的内容结构和案例数据1.7.1 内容结构1.7.2 案例数据第2章 预备知识2.1 激活函数2.2 矩阵运算2.3 导数公式2.4 梯度下降算法2.5 反向传播算法2.5.1 通用反向传播算法2.5.2 逐层反向传播算法2.6 通用逼近定理2.7 内外卷积运算2.8 膨胀卷积运算