掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
深度學習之模型設計:核心算法與案例實踐 版權信息
- ISBN：9787121390302
- 條形碼：9787121390302 ; 978-7-121-39030-2
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
深度學習之模型設計:核心算法與案例實踐 本書特色
盡覽深度學習模型設計算法，理論與實踐兼備 依圖科技CTO 新加坡工程院院士 IEEE Fellow 顏水成深度學習，特別是卷積神經網絡，在過去幾年極大地推進了計算機視覺各方向在學術界和工業界的發展，熟練掌握深度學習模型的設計思想對于相關技術人員更好地完成計算機視覺的各類任務至關重要。本書作者基于自身豐富的實踐經驗，對當前深層卷積神經網絡模型的發展脈絡做了詳細的總結。跟隨作者的指引，讀者既能進行全面的理論學習，也能深度體驗相關實踐。 新智元創始人、CEO 楊靜：深度學習將人工智能浪潮推上新巔峰，模型設計的迭代速度和復雜程度前所未有。言有三用在深度學習領域豐富的專業知識和從業經驗填補了業界深度學習模型設計類圖書的空白。本書可以帶領從業者詳細了解深度學習尤其是卷積神經網絡模型架構的演變和其中核心的設計技術，知識體系完善，理論和實踐兼具，為相關的教學和開發實戰提供了參考。 中國科學院半導體研究所研究員 魯華祥本書是一位在深度學習與計算機視覺領域工作多年的有為青年根據自身經歷和經驗，以理論結合案例的形式系統闡述深度學習模型，尤其是卷積神經網絡模型發展歷程的好書。本書內容非常完整、專業，值得認真閱讀、學習。 知識星球CEO 吳魯加：言有三擁有豐富的深度學習領域從業經驗，并組建了高質量的有三AI公眾號和有三AI知識星球學習社區。本書非常詳細地介紹了卷積神經網絡模型架構的演變，理論和實踐價值很高，并且相關內容會在有三AI知識星球中持續更新，值得相關從業人員學習和參考。
深度學習之模型設計:核心算法與案例實踐 內容簡介
本書理論知識體系完備, 由淺入深, 系統性地介紹了深度學習模型的發展脈絡, 以及模型網絡深度設計、模型網絡寬度設計、模型通道維度設計、殘差連接設計、分組卷積設計、多尺度網絡與非正常卷積設計、多輸入網絡設計、時序神經網絡設計、三維卷積網絡設計、動態推理模型與注意力機制設計、生成對抗網絡設計等主流深度學習模型的設計思想。同時, 本書為各模型設計思想提供了大量的實例, 供讀者實戰演練。
深度學習之模型設計:核心算法與案例實踐 目錄
第1章 神經網絡和計算機視覺基礎
第1章 神經網絡和計算機視覺基礎 1
1.1 計算機視覺 1
1.1.1 研究視覺的重要性 1
1.1.2 生物學視覺原理與視覺分層理論 2
1.2 數字圖像基礎 3
1.2.1 數字圖像基礎概述 3
1.2.4 數字圖像處理基礎 7
1.3 神經網絡基礎 11
1.3.1 生物神經元與人工神經網絡 12
1.3.2 感知機是神經網絡嗎 12
1.3.3 BP算法 16
第2章 深度學習的基礎 20
2.1 全連接神經網絡的局限性 20
2.1.1 學習原理的缺陷 20
2.1.2 全連接神經網絡的結構缺陷 21
2.1.3 高性能的傳統機器學習算法 22
2.2 深度學習第三次復興簡史 22
2.2.1 互聯網與大數據來了 23
2.2.2 GPU的普及 23
2.2.3 深層神經網絡華麗歸來 24
2.2.4 語音識別的重大突破 25
2.2.4 圖像識別的重大突破 26
2.2.5 自然語言處理的重大突破 28
2.3 卷積神經網絡基礎 29
2.3.1 卷積操作 29
2.3.2 反卷積操作 30
2.3.3 卷積神經網絡基本概念 31
2.3.4 卷積神經網絡的核心思想 33
2.3.5 卷積神經網絡的基本結構配置 33
2.4 深度學習優化基礎 37
2.4.1 激活模型與常用激活函數 38
2.4.2 參數初始化方法 43
2.4.3 歸一化方法 45
2.4.4 池化 49
2.4.5 *優化方法 50
2.4.6 學習率策略 54
2.4.7 正則化方法 57
2.5 深度學習主流開源框架 60
2.5.1 Caffe 60
2.5.2 TensorFlow 61
2.5.3 Pytorch 61
2.5.4 Theano 62
2.5.5 Keras 62
2.5.6 MXNet 63
2.5.7 Chainer 63
參考文獻 64
第3章 數據集、評測指標與優化目標 66
3.1 數據集 66
3.1.1 分類數據集MNIST 66
3.1.2 ImageNet 66
3.1.3 分類數據集GHIM-10k 67
3.1.4 分類數據集Place20 67
3.1.5 肖像分割數據集 68
3.1.6 視頻分類數據集UCF101 68
3.1.7 目標跟蹤數據集ImageNet VIDEO 68
3.2 評測指標 69
3.2.1 分類評測指標 69
3.2.2 檢索與回歸評測指標 73
3.2.3 圖像生成評測指標 75
3.3 優化目標 76
3.3.1 分類任務損失 76
3.3.2 回歸任務損失 78
參考文獻 80
第4章 加深網絡，提升模型性能 81
4.1 經典的淺層卷積神經網絡 81
4.1.1 Neocognitron網絡 81
4.1.2 TDNN 83
4.1.3 Cresceptron網絡 83
4.1.4 LeNet系列 84
4.2 經典網絡的深度設計 87
4.2.1 AlexNet 87
4.2.2 從AlexNet到VGGNet的升級 90
4.2.3 為什么需要更深的網絡 93
4.3 實驗：網絡深度對分類模型性能的影響 94
4.3.1 基準模型 94
4.3.2 不同學習率策略與優化方法 96
4.3.3 標準卷積模型網絡深度影響實驗 104
4.3.4 MobileNet網絡深度影響實驗 111
4.3.5 總結 113
參考文獻 114
第5章 1×1卷積，通道維度升降的利器 115
5.1 特征通道與信息融合 115
5.1.1 通道內特征能做什么 115
5.1.2 通道間特征能做什么 116
5.2 1×1卷積及其應用 117
5.2.1 什么是1×1卷積 117
5.2.2 1×1卷積與瓶頸結構 117
5.2.3 1×1卷積與SqueezeNet 118
5.3 1×1卷積在瓶頸結構中的作用 120
5.3.1 基準模型 120
5.3.2 瓶頸結構探索 126
5.3.3 訓練結果 143
5.4 1×1卷積在增強網絡表達能力中的作用 145
5.4.1 基準模型 145
5.4.2 網絡配置 146
5.4.3 實驗結果 146
參考文獻 148
第6章 加寬網絡，提升模型性能 149
6.1 為什么需要更寬的網絡結構 149
6.2 經典模型的網絡寬度設計思想 149
6.2.1 調整通道數量 150
6.2.2 多分支網絡結構設計 152
6.2.3 通道補償技術 154
6.3 實驗：網絡寬度對模型性能的影響 155
6.3.1 實驗背景 155
6.3.2 訓練結果 161
6.3.3 總結 166
參考文獻 166
第7章 殘差連接，深層網絡收斂的關鍵 167
7.1 殘差連接 167
7.1.1 什么是殘差連接 167
7.1.2 為什么殘差連接有效 169
7.2 殘差網絡結構發展和應用 171
7.2.1 密集連接的殘差網絡結構 171
7.2.2 多分支殘差結構 173
7.2.3 殘差連接與多尺度信息融合 174
7.3 跳層連接在圖像分割中的應用 175
7.3.1 數據集與基準模型 175
7.3.2 Allconv5_SEG實驗 184
7.3.3 增加跳層連接 186
參考文獻 199
第8章 分組卷積與卷積拆分，移動端高效率經典模型 201
8.1 卷積拆分與分組卷積 201
8.1.1 卷積拆分 201
8.1.2 分組卷積 201
8.2 分組卷積結構 202
8.2.1 簡單的通道分組網絡 203
8.2.2 級連通道分組網絡 204
8.2.3 多分辨率卷積核通道分組網絡 205
8.2.4 多尺度通道分組網絡 206
8.2.5 多精度通道分組網絡 207
8.3 訓練一個用于圖像分割的實時分組網絡 208
8.3.1 項目背景 208
8.3.2 嘴唇分割模型訓練 208
8.3.3 嘴唇分割模型優化 212
參考文獻 219
第9章 多尺度網絡與非正常卷積，更豐富的感受野與不變性 221
9.1 目標常見變換與不變性 221
9.1.1 常見變換 221
9.1.2 從模型本身獲取不變性 221
9.1.3 從數據中學習不變性 223
9.2 多尺度網絡結構 224
9.2.1 圖像金字塔 224
9.2.2 多尺度網絡 225
9.3 非正常卷積網絡結構 228
9.3.1 帶孔卷積 228
9.3.2 可變形卷積 229
9.3.3 非局部卷積 230
9.4 STN在可變形手寫數字中的應用 232
9.4.1 項目背景 232
9.4.2 STN實驗 233
參考文獻 237
第10章 多輸入網絡，圖像檢索和排序的基準模型 238
10.1 什么時候需要多個輸入 238
10.1.1 圖像檢索 238
10.1.2 目標跟蹤 239
10.1.3 相對排序 239
10.2 常見多輸入網絡 240
10.2.1 Siamese網絡 240
10.2.2 Triplet網絡 241
10.3 目標跟蹤Siamese網絡實戰 242
10.3.1 網絡結構 242
10.3.2 數據讀取 244
10.3.3 損失函數和評估指標 247
10.3.4 模型訓練 248
10.3.5 模型測試 249
參考文獻 254
第11章 時序神經網絡，有記憶的網絡更聰明 255
11.1 單向RNN和雙向RNN 255
11.1.1 RNN 255
11.1.2 雙向RNN 257
11.2 LSTM 258
11.3 LSTM視頻分類實踐 260
11.3.1 數據準備 260
11.3.2 數據讀取 260
11.3.3 網絡定義 264
11.3.4 模型訓練結果 269
11.3.5 總結 270
第12章 卷積從二維變成三維，實現升維打擊 271
12.1 三維卷積 271
12.2 三維卷積的應用 272
12.2.1 分類任務 272
12.2.2 圖像分割 274
12.3 一個用于視頻分類的三維卷積網絡 274
12.3.1 基準模型與數據集 275
12.3.2 數據讀取 278
12.3.3 訓練結果 280
12.3.4 參數調試 281
12.3.5 總結 283
參考文獻 283
第13章 動態推理與注意力機制，網絡因樣本而異 284
13.1 拓撲結構動態變化的網絡 284
13.1.1 訓練時拓撲結構變化的網絡 284
13.1.2 測試時拓撲結構變化的網絡 285
13.2 注意力機制 288
13.2.1 空間注意力模型 289
13.2.2 通道注意力模型[9] 289
13.2.3 混合注意力模型 290
13.3 基于提前退出機制的BranchyNet分類實戰 291
13.3.1 背景 291
13.3.2 模型定義 292
13.3.3 實驗結果 302
參考文獻 305
第14章 生成對抗網絡 306
14.1 生成對抗網絡的基本原理 306
14.1.1 生成式模型與判別式模型 306
14.1.2 GAN簡介 307
14.2 生成對抗網絡損失的發展 308
14.2.1 GAN的損失函數問題 308
14.2.2 GAN的損失函數改進 309
14.3 生成對抗網絡結構的發展 310
14.3.1 條件GAN 310
14.3.2 多尺度級連GAN 311
14.3.3 多判別器單生成器GAN 312
14.3.4 多生成器單判別器GAN 313
14.3.5 多生成器多判別器GAN 313
14.4 DCGAN圖像生成實戰 314
14.4.1 項目背景 314
14.4.2 項目解讀 315
14.4.3 實驗結果 319
參考文獻 321
展開全部
深度學習之模型設計:核心算法與案例實踐 作者簡介
作者言有三，畢業于中國科學院，有超過5年的深度學習領域從業經驗，以及超過6年的計算機視覺從業經驗，創辦了微信公眾號《有三AI》和知識星球《有三AI》等知識生態，目前已經全職做內容輸出，于2019年花費大半年時間總結多年的知識積累和深度學習項目經驗并撰寫了這本書。
書友推薦
- >
煙與鏡
- >
回憶愛瑪儂
- >
月亮虎
- >
大紅狗在馬戲團-大紅狗克里弗-助人
- >
名家帶你讀魯迅:朝花夕拾
- >
山海經
- >
有舍有得是人生
- >
新文學天穹兩巨星--魯迅與胡適/紅燭學術叢書(紅燭學術叢書)
本類暢銷
