《深度卷积网络:原理与实践》这本书是一个宝库,它解锁了复杂神经网络架构的秘密并以清晰的结构使之易于理解,它覆盖了从基础理论到最前沿的深度学习进展,并不吝啬在各个领域给予深入的见解与独到的分析,读者可以从宏观的视角捕捉到深度学习的快速发展,同时也能够在细节上领略技术的精细,尽管高昂的价格和特定背景知识要求可能令一些读者望而却步,但书中透彻的案例分析、实用的代码示例和与作者互动的机会,使得投资这本书成为对深度学习求知欲强烈者的一份值得的礼物,不仅如此,包含深度卷积网络的实用指南和AlphaGo以及GAN的深度剖析,都为不同背景的读者提供了珍贵的资源,使这部作品成为了深度学习领域中的佳作。
深度卷积网络:原理与实践
读者评价
紧跟技术发展 对工作帮助大 实用性强 专业性强
讲道理,这本书还是很不错的。通俗易懂的介绍了卷积网络,并给出了详细的证明。写作比较严谨,还给出了详细的参考文献供读者进一步的探究。作为一本入门书完全是合格的。只可惜MXNet目前不算主流,另外因为是彩印价格实在太感人了
目前读过最好的的深度学习的书了,如果真正想入门现代深度学习就看这本
跟市面上的绝大多数深度学习的书不同,本书原创程度很高,大量作者自己的理解以及经验,非常难得。内容很新,包含了近一年的最新进展。大量的引用给出了资料链接,值得好好研究。
定价略高(照作者的说法,实全彩印刷导致)
里面不少alhpaGo的内容,读者缺乏围棋知识的话,读起来比较困难。
内容介绍
深度卷积网络(DCNN)是目前十分流行的深度神经网络架构,它的构造清晰直观,效果引人入胜,在图像、视频、语音、语言领域都有广泛应用。
本书以AI领域新的技术研究和和实践为基础,从技术理论、工作原理、实践方法、架构技巧、训练方法、技术前瞻等6个维度对深度卷积网络进行了系统、深入、详细地讲解。
以实战为导向,深入分析AlphaGo和GAN的实现过程、技术原理、训练方法和应用细节,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。
本书在逻辑上分为3个部分:
*部分 综述篇(第1、6、9章)
这3章不需要读者具备编程和数学基础,对深度学习和神经网络的基础知识、AlphaGo的架构设计和工作原理,以及深度学习和人工智能未来的技术发展趋势进行了宏观介绍。
第二部分 深度卷积网络篇(第2、3、4、5章)
结合作者的实际工作经验和案例代码,对深度卷积网络的技术理论、工作原理、实践方法、架构技巧和训练方法做了系统而深入的讲解。
第三部分 实战篇(第7、8章)
详细分析了AlphaGo和GAN的技术原理、训练方法和应用细节,包括详细的代码分析和大量GAN的精彩实例。
本书的案例代码在GitHub上提供下载,同时读者可在GitHub与作者交流本书相关的问题。
目录
- 第1章 走进深度学习的世界5
- 第2章 深度卷积网络:第一课42
- 第3章 深度卷积网络:第二课 77
- 第4章 深度卷积网络:第三课106
- 第5章 深度卷积网络:第四课141
- 第6章 AlphaGo架构综述200
- 第7章 训练策略网络与实战224
- 第8章 生成式对抗网络:GAN240
- 第9章 通向智能之秘272
- 附录 深度学习与AI的网络资源310
1.图像识别问题简介和经典数据集 MNIST手写体数字 Cifar分为Cifar-10和Cifar-100,数据集中的图片为32x32的彩色图片 ImageNet:基于WordNet的大型图像数据库,1500w图片被关联到2000个名词的词集上 2.卷积神经网络 输入层: 图像的原始像素 输出层:每一个节点代表不同类别的可信度 参数增多导致计算速度减慢,同时容易过拟合,所以通过卷积网络可以有效减少参数个数
卷积神经网络又简称卷积网络,是一种用来处理网格状结构数据的特殊网络结构。像时序数据通常被认为是一维的数据格式,而图片则被认为是二维的数据格式,卷积神经网络在处理这种二维结构的数据上取得了巨大的成功。卷积神经网络的研究是受到1962年对猫的视觉皮层细胞研究的启发,然后提出了感受野(Receptive Field)的概念。 1982年,Fukushima在感受野概念的基础上提出的神经认知机(Neocognitron)可以看作是卷积神经网络的第一个实现版本。神经认知机将一个视觉特征分解为多个子特征,通过层层分解与组合将视觉系统模型化,使其能够在物体有位移或轻微形变的时候,也能正确识别。而早在1989年,Y.LeCun等人就提出了一个五层的卷积神经网络LeNet,完美解决了手写数字的识别,算是卷积神经网络由理论走向实际应用的一个开端,但是由于当时训练样本的匮乏和计算能力的不足,导致卷积神经网络并没有流行起来,反而是支持向量机等手工设计特征的方法在小样本集上取得了较好的效果成为了主流。沉寂多年后,随着大数据时代的来临,卷积神经网络本身的不断改进(ReLU激活函数取代Sigmoid函数,Dropout思想的提出),以及以GPU为主的并行计算的盛行。到了2012年,AlexKrizhevsky等人利用一个八层的卷积神经网络AlexNet在当年的ImageNet图像分类竞赛中取得了冠军,并远超第二名十个百分点,让卷积神经网络再次回到了人们的视线中。随后各种改进的卷积神经网络结构如雨后春笋般涌现出来,其中比较有代表性的是VGG、GoogleNet和ResNet。