深度學習輕鬆學 : 核心算法與視覺實踐 深度学习轻松学:核心算法与视觉实践
馮超
- 出版商: 電子工業
- 出版日期: 2017-06-01
- 定價: $474
- 售價: 8.5 折 $403
- 語言: 簡體中文
- 頁數: 360
- 裝訂: 平裝
- ISBN: 7121317133
- ISBN-13: 9787121317132
-
相關分類:
DeepLearning
立即出貨 (庫存 < 3)
買這商品的人也買了...
-
C++ Primer, 4/e (中文版)$990$891 -
精通 Python｜運用簡單的套件進行現代運算 (Introducing Python: Modern Computing in Simple Packages)$780$616 -
完整學會 Git, GitHub, Git Server 的24堂課$360$284 -
遊戲設計概論, 4/e$550$429 -
$250鳳凰計畫：一個 IT計畫的傳奇故事 (The Phoenix Project : A Novel about IT, DevOps, and Helping your business win)(沙盤特別版) -
$403深度學習 : 21天實戰 Caffe -
$1,617Deep Learning (Hardcover) -
演算法技術手冊, 2/e (Algorithms in a Nutshell: A Practical Guide, 2/e)$580$458 -
算法圖解 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$356$335 -
無瑕的程式碼－敏捷完整篇－物件導向原則、設計模式與 C# 實踐 (Agile principles, patterns, and practices in C#)$790$616 -
$356深入淺出深度學習:原理剖析與Python實踐 -
Effective C# 中文版 | 寫出良好 C# 程式的 50個具體做法, 3/e (Effective C# : 50 Specific Ways to Improve Your C#(Covers C# 6.0), 3/e)$450$356 -
TensorFlow + Keras 深度學習人工智慧實務應用$590$460 -
寫程式前就該懂的演算法 ─ 資料分析與程式設計人員必學的邏輯思考術 (Grokking Algorithms: An illustrated guide for programmers and other curious people)$390$332 -
認識資料科學的第一本書 (Data Analytics Made Accessible)$450$356 -
深度學習、優化與識別 (Deep Learning,Optimization and Recognition)$653$614 -
Docker 入門與實戰, 2/e$500$395 -
勒索病毒程式設計 : 揭秘你所不知道的勒索病毒$480$374 -
Keras 快速上手：基於 Python 的深度學習實戰$403$379 -
$958深度學習 -
實戰 TensorFlow｜Google 深度學習系統$480$379 -
Deep Learning｜用 Python 進行深度學習的基礎理論實作$580$458 -
$403機器學習之路 : Caffe、Keras、scikit-learn 實戰 -
機器學習入門｜從玻爾茲曼機械學習到深度學習$380$300 -
$327深度學習實踐 : 基於 Caffe 的解析
相關主題
商品描述
適讀人群：本書適合對深度學習感興趣的讀者閱讀，也適合有志於從事電腦視覺研究等領域的廣大學生閱讀，可作為深度學習的入門教材。
本書特色?深入剖析捲積神經網絡核心：全連接層和捲積層?深入分析Caffe源碼實現架構，瞭解框架背後的運行機理?詳盡介紹網絡結構與訓練細節，解密復雜運算的基本原理?經典實踐場景：圖像語意分割，圖像生成。
GAN模型的詳細分析與推導?樣例代碼採用C++和Python兩種語言編寫?語言輕松幽默易於理解，特別適合初學者快速掌握深度學習核心思想
作者簡介
馮超，畢業於中國科學院大學，猿輔導研究團隊視覺研究負責人，小猿搜題拍照搜題負責人之一。自2016 年起在知乎開設了自己的專欄——《無痛的機器學習》，發表機器學習與深度學習相關文章，文章以輕鬆幽默的語言、細緻深入的分析為特點，收到了不錯的反響，被多家媒體轉載。曾多次參與社區技術分享活動。
目錄大綱
1機器學習與深度學習的概念1
1.1什麼是機器學習. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.1.1機器學習的形式. . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.1.2機器學習的幾個組成部分. . . . . . . . . . . . . . . . . . . . . . 8
1.2深度學習的逆襲. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3深層模型在視覺領域的應用. . . . . . . . . . . . . . . . . . . . . . . . . 13
1.4本書的主要內容. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.5總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2數學與機器學習基礎18
2.1線性代數基礎. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.2對稱矩陣的性質. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.1特徵值與特徵向量. . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.2.2對稱矩陣的特徵值 特徵向量. . . . . . . . . . . . . . . . . . . . 23
2.2.3對稱矩陣的對角化. . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.3概率論. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.1概率與分佈. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.3.2最大似然估計. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
2.4信息論基礎. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 KL散度. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2.6凸函數及其性質. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.7機器學習基本概念. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
2.8機器學習的目標函數. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.9總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3 CNN的基石：全連接層45
3.1線性部分. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3.2非線性部分. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
3.3神經網絡的模樣. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3.4反向傳播法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.1反向傳播法的計算方法. . . . . . . . . . . . . . . . . . . . . . . . 55
3.4.2反向傳播法在計算上的抽象. . . . . . . . . . . . . . . . . . . . . 58
3.4.3反向傳播法在批量數據上的推廣. . . . . . . . . . . . . . . . . . 59
3.4.4具體的例子. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
3.5參數初始化. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3.6總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4 CNN的基石：卷積層69
4.1卷積操作. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4 .1.1卷積是什麼. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
4.1.2卷積層效果展示. . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.1.3卷積層匯總了什麼. . . . . . . . . . . . . . . . . . . . . . . . . . 76
4.1.4卷積的另一種解釋. . . . . . . . . . . . . . . . . . . . . . . . . . 77
4.2卷積層的反向傳播. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.2.1實力派解法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
4.2.2 “偶像派”解法. . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.3 ReLU . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4.3.1梯度消失問題. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
4.3.2 ReLU的理論支撐. . . . . . . . . . . . . . . . . . . . . . . . . . . 92
4.3.3 ReLU的線性性質. . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.3.4 ReLU的不足. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4.4總結. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
4.5參考文獻. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
5 Caffe入門95
5.1使用Caffe進行深度學習訓練. . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.1數據預處理. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
5.1.2網絡結構與模型訓練的配置. . . . . . . . . . . . . . . . . . . . . 100
5.1. 3訓練與再訓練. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5.1.4訓練日誌分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
5.1.5預測檢驗與分析. . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
5.1.6性能測試. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
5.2模型配置文件介紹. . .
