總金額: 會員:NT$ 0 非會員:NT$ 0 
(此金額尚未加上運費)
電子電信技術 電腦技術 自動化基礎理論
 
 
 
 
解析深度學習:卷積神經網絡原理與視覺實踐
 作  者: 魏秀參
 出版單位: 電子工業
 出版日期: 2018.11
 進貨日期: 2019/7/1
 ISBN: 9787121345289
 開  本: 16 開    
 定  價: 593
 售  價: 474
  會 員 價: 435
推到Facebook 推到Plurk 推到Twitter
前往新書區 書籍介紹 購物流程  
 
編輯推薦:

《解析深度學習:卷積神經網路原理與視覺實踐》是對治深度學習恐懼症的一劑良藥。作者魏秀參博士,畢業于著名的南京大學LAMDA研究所,現為曠視科技南京研究院負責人。本書凝聚了他多年的功力,集原理與實踐於一體,將卷積神經網路這顆仙丹煉得出神入化,以此攻克電腦視覺實踐中的一個又一個難題。

全書沒有佶屈聱牙的文字、沒有艱澀難懂的術語,只有明明白白的道理、由淺入深的論證、清晰流暢的架構。在內容的安排上,兼顧了基礎知識和學習難點,各有側重,讓初學者不僅可以看明白、而且能夠讀懂,知其所以然並舉一反三運用到自己的工程實踐中。

無怪乎,業內專家認為“本書可能是我知道的“醉”好的深度學習的中文入門教材”。


內容簡介:

深度學習,特別是深度卷積神經網路是人工智慧的重要分支領域,卷積神經網路技術也被廣泛應用于各種現實場景,在許多問題上都取得了超過人類智慧的結果。本書作為該領域的入門書籍,在內容上涵蓋深度卷積神經網路的基礎知識 和實踐應用兩大方面。《解析深度學習:卷積神經網路原理與視覺實踐》共14 章,分為三個部分:第一部分為緒論;第二部分 (第1∼4 章)介紹卷積神經網路的基礎知識、基本部件、經典結構和模型壓縮等基 礎理論內容;第三部分(第5∼14 章)介紹深度卷積神經網路自資料準備開始,到 模型參數初始化、不同網路部件的選擇、網路配置、網路模型訓練、不平衡資料處 理,最終到模型集成等實踐應用技巧和經驗。《解析深度學習:卷積神經網路原理與視覺實踐》並不是一本程式設計類書籍,而是希望通過“基礎知識”和“實踐技巧”兩方面使讀者從更高維度瞭解、掌握並成功構 建針對自身應用問題的深度卷積神經網路。

《解析深度學習:卷積神經網路原理與視覺實踐》可作為深度學習和卷積神經網路愛好者的入門書籍,也可供沒有機器學習 背景但希望能快速掌握該方面知識並將其應用於實際問題的各行從業者閱讀參考。


作者簡介:

魏秀參

曠視科技(Face++)南京研究院負責人。南京大學LAMDA研究所博士,主要研究領域為電腦視覺和機器學習。在相關領域重要國際期刊和國際會議發表論文十餘篇,並兩次獲得國際電腦視覺相關競賽冠、亞軍。曾獲CVPR 2017佳審稿人、南京大學博士生校長特別獎學金等榮譽,擔任ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI等國際會議PC member。(個人自媒體:知乎“魏秀參”,新浪微博“Wilson_NJUer”)


圖書目錄:

第一部分緒論1

0.1 引言 . 2

0.2 什麼是深度學習 3

0.3 深度學習的前世今生 . 6

第二部分基礎理論篇9

1 卷積神經網路基礎知識10

1.1 發展歷程 11

1.2 基本結構 13

1.3 前饋運算 16

1.4 回饋運算 16

1.5 小結 . 19

2 卷積神經網路基本部件21

2.1 “端到端”思想 21

2.2 網路符號定義 . 23

2.3 卷積層 . 24

2.3.1 什麼是卷積 24

2.3.2 卷積操作的作用 27

2.4 匯合層 . 28

2.4.1 什麼是匯合 29

2.4.2 匯合操作的作用 30

2.5 啟動函數 31

2.6 全連接層 33

2.7 目標函數 34

2.8 小結 . 34

3 卷積神經網路經典結構35

3.1 CNN 網路結構中的重要概念 . 35

3.1.1 感受野 . 35

3.1.2 分散式表示 37

3.1.3 深度特徵的層次性 39

3.2 經典網路案例分析 . 42

3.2.1 Alex-Net 網路模型 . 42

3.2.2 VGG-Nets 網路模型 46

3.2.3 Network-In-Network 48

3.2.4 殘差網路模型 . 49

3.3 小結 . 54

4 卷積神經網路的壓縮56

4.1 低秩近似 58

4.2 剪枝與稀疏約束 60

4.3 參數量化 64

4.4 二值網路 68

4.5 知識蒸餾 71

4.6 緊湊的網路結構 74

4.7 小結 . 76

第三部分實踐應用篇77

5 資料擴充78

5.1 簡單的資料擴充方式 . 78

5.2 特殊的資料擴充方式 . 80

5.2.1 Fancy PCA . 80

5.2.2 監督式資料擴充 80

5.3 小結 . 82

6 資料預處理83

7 網路參數初始化85

7.1 全零初始化 . 86

7.2 隨機初始化 . 86

7.3 其他初始化方法 90

7.4 小結 . 90

8 啟動函數91

8.1 Sigmoid 型函數 . 92

8.2 tanh(x) 型函數 . 93

8.3 修正線性單元(ReLU) 93

8.4 Leaky ReLU . 94

8.5 參數化ReLU 95

8.6 隨機化ReLU 97

8.7 指數化線性單元(ELU) . 98

8.8 小結 . 99

9 目標函數100

9.1 分類任務的目標函數 . 100

9.1.1 交叉熵損失函數 101

9.1.2 合頁損失函數 . 101

9.1.3 坡道損失函數 . 101

9.1.4 大間隔交叉熵損失函數 103

9.1.5 中心損失函數 . 105

9.2 回歸任務的目標函數 . 107

9.2.1 ?1 損失函數 108

9.2.2 ?2 損失函數 108

9.2.3 Tukey’s biweight 損失函數 109

9.3 其他任務的目標函數 . 109

9.4 小結 . 111

10 網路正則化113

10.1 ?2 正則化 114

10.2 ?1 正則化 115

10.3 最大範數約束 . 115

10.4 隨機失活 116

10.5 驗證集的使用 . 118

10.6 小結 . 119

11 超參數設定和網路訓練120

11.1 網路超參數設定 120

11.1.1 輸入資料圖元大小 120

11.1.2 卷積層參數的設定 121

11.1.3 匯合層參數的設定 122

11.2 訓練技巧 123

11.2.1 訓練資料隨機打亂 123

11.2.2 學習率的設定 . 123

11.2.3 批規範化操作 . 125

11.2.4 網路模型優化演算法選擇 127

11.2.5 微調神經網路 . 132

11.3 小結 . 133

12 不平衡樣本的處理135

12.1 資料層面處理方法 . 136

12.1.1 資料重採樣 136

12.1.2 類別平衡採樣 . 137

12.2 演算法層面處理方法 . 138

12.2.1 代價敏感方法 . 139

12.2.2 代價敏感法中權重的指定方式 140

12.3 小結 . 142

13 模型集成方法143

13.1 資料層面的集成方法 . 143

13.1.1 測試階段資料擴充 143

13.1.2 “簡易集成”法 144

13.2 模型層面的集成方法 . 144

13.2.1 單模型集成 144

13.2.2 多模型集成 146

13.3 小結 . 149

14 深度學習開源工具簡介151

14.1 常用框架對比 . 151

14.2 常用框架的各自特點 . 153

14.2.1 Caffe 153

14.2.2 Deeplearning4j . 153

14.2.3 Keras 154

14.2.4 MXNet . 155

14.2.5 MatConvNet 155

14.2.6 TensorFlow . 155

14.2.7 Theano . 156

14.2.8 Torch 157

A 向量、矩陣及其基本運算158

B 隨機梯度下降162

C 鏈式法則165

參考文獻167

索引181


章節試讀:

人工智慧,一個聽起來熟悉但卻始終讓人備感陌生的詞彙。讓人熟悉的是科幻作家以撒·阿西莫夫筆下的《機械公敵》和《機器管家》,令人陌生的卻是到底如何讓現有的機器人咿呀學語、邯鄲學步;讓人熟悉的是電腦科學與人工智慧之父圖靈設想的“圖靈測試”,令人陌生的卻是如何使如此的高級智慧在現實生活中不再子虛烏有;讓人熟悉的是2016 年初阿爾法狗與李世?在圍棋上的五番對決,令人陌生的卻是阿爾法狗究竟是如何打通了“任督二脈”的……不可否認,人工智慧就是人類為了滿足自身強大好奇心而腦洞大開的產物。現在提及人工智慧,就不得不提阿爾法狗,提起阿爾法狗就不得不提到深度學習。那麼,深度學習究竟為何物?

本書從實用角度著重解析了深度學習中的一類神經網路模型——卷積神經網路,向讀者剖析了卷積神經網路的基本部件與工作機理,更重要的是系統性地介紹了深度卷積神經網路在實踐應用方面的細節配置與工程經驗。

筆者希望本書“小而精”,避免像某些國外相關教材一樣淺嘗輒止的“大而空”。

寫作本書的主因源自筆者曾于2015 年10 月在個人主頁(http://lamda.nju.edu.cn/weixs)上開放的一個深度學習的英文學習資料“深度神經網路之必會技巧”(Must Know Tips/Tricks in Deep Neural Networks)。該資料隨後被轉帖至新浪微博,受到不少學術界和工業界朋友的好評,至今已有逾36 萬的閱讀量,後又被國際知名論壇KDnuggets 和Data Science Central 特邀轉載。在此期間,筆者頻繁接收到國內外讀過此學習資料的朋友微博私信或郵件來信表示感謝,其中多人提到希望開放一個中文版本以方便國人閱讀學習。另一方面,隨著深度學習領域發展的日新月異,當時總結整理的學習資料現在看來已略顯滯後,不少最新研究成果並未涵蓋其中,同時加上國內至今尚沒有一本側重實踐的深度學習方面的中文書籍。因此,筆者筆耕不輟,希望將自己些許的所學所知所得所感及所悟匯總於本書中,分享給大家學習和查閱。

這是一本面向中文讀者的羽量級、偏實用的深度學習工具書,本書內容側重深度卷積神經網路的基礎知識和實踐應用。為了使盡可能多的讀者通過本書對卷積神經網路和深度學習有所瞭解,筆者試圖盡可能少地使用晦澀的數學公式,而盡可能多地使用具體的圖表形象表達。本書的讀者物件為對卷積神經網路和深度學習感興趣的入門者,以及沒有機器學習背景但希望能快速掌握該方面知識並將其應用於實際問題的各行從業者。為方便讀者閱讀,本書附錄給出了一些相關數學基礎知識簡介。

全書共有14 章,除“緒論”外可分為兩個部分:第一部分“基礎理論篇”包括第1∼4 章,介紹卷積神經網路的基礎知識、基本部件、經典結構和模型壓縮等基礎理論內容;第二部分“實踐應用篇”包括第5∼14 章,介紹深度卷積神經網路自資料準備開始,到模型參數初始化、不同網路部件的選擇、網路配置、網路模型訓練、不平衡資料處理,最終到模型集成等實踐應用技巧和經驗。另外,本書基本在每章結束均有對應小結,讀者在閱讀完每章內容後不妨掩卷回憶,看是否完全掌握了此章重點。對卷積神經網路和深度學習感興趣的讀者可通讀全書,做到“理論結合實踐”;對希望迅速應用深度卷積神經網路來解決實際問題的讀者,也可直接參考第二部分的有關內容,做到“有的放矢”。

筆者在本書寫作過程中得到很多同學和學術界、工業界朋友的支援與幫助,在此謹列出他們的姓名以致謝意(按姓氏拼音序):高斌斌、高如如、羅建豪、屈偉洋、謝晨偉、楊世才、張晨麟等。感謝高斌斌和羅建豪幫助起草本書第3.2.4節和第4章的有關內容。此外,特別感謝南京大學周志華教授、吳建鑫教授和澳大利亞阿德萊德大學沈春華教授等眾多師長在筆者求學科研過程中不厭其煩細緻入微的指導、教育和關懷。同時,感謝電子工業出版社的劉皎老師為本書出版所做的努力。最後非常感謝筆者的父母,感謝他們的養育和一直以來的理解、體貼與照顧。寫就本書,筆者自認才疏學淺,僅略知皮毛,更兼時間和精力有限,書中錯謬之處在所難免,若蒙讀者不棄,還望不吝賜教,筆者將不勝感激!

魏秀參


圖片預覽:

 
  步驟一.
依據網路上的圖書,挑選你所需要的書籍,根據以下步驟進行訂購
選擇產品及數量 結 帳 輸入基本資料 取貨與付款方式
┌───────────────────────────────────────────────────┘
資料確定 確認結帳 訂單編號    

步驟二.
完成付款的程序後,若採用貨到付款等宅配方式,3~7天內 ( 例假日將延期一至兩天 ) 您即可收到圖書。若至分店門市取貨,一週內聯絡取書。

步驟三.
完成購書程序者,可利用 訂單查詢 得知訂單進度。

注意事項.
● 付款方式若為網路刷卡必須等" 2 ~ 3 個工作天"確認款項已收到,才會出貨.如有更改書籍數量請記得按更新購物車,謝謝。

● 大陸出版品封面老舊、磨痕、凹痕等均屬常態,除封面破損、內頁脫落...等較嚴重的狀態外,其餘所有商品將正常出貨。

● 至2018年起,因中國大陸環保政策,部分書籍配件以QR CODE取代光盤音頻mp3或dvd,已無提供實體光盤。如需使用學習配件,請掃描QR CODE 連結至當地網站註冊並通過驗證程序,方可下載使用。造成不便,敬請見諒。

● 我們將保留所有商品出貨權利,如遇缺書情形,訂單未達免運門檻運費需自行負擔。

預訂海外庫存.
商品到貨時間須4週,訂單書籍備齊後方能出貨,如果您有急用書籍,建議與【預訂海外庫存】商品分開訂購。