深度卷积网络原理与实践

相关资料

[

对于初次接触人工智能的工程师和数据科学家来说，系统性的建立对人工智能知识体系很有必要，但同时也需要找一个易于学习的切入点或突破点。作者考虑到不同层次读者需要，选择了很有代表性的AlphaGo和GAN进行讲解，并给出了很好的案例引导。本书循序渐进从概念到原理，从原理到实践步步深入AI，案例生动而细致。持续学习是人工智能发展的关键，同样的在这样的一个技术日新月异的时代，我们也需要保持持续的学习力。推荐此书，保有一份对技术的敬畏与热忱，让我们一起打开AI的世界。
——梁勇 天善智能创始人
神经网络是深度学习的有效方法之一，深度卷积网络则又是目前十分流行的深度神经网络架构，在图像、视频、语音等领域被广泛应用，我们熟知的AlphaGo就大量实用了深度卷积网络技术。彭博的这本书，兄理论和实践两个层面对卷积神经网络做了非常翔实的讲解，理论层面，重点讲解了卷积神经网络的技术基础和工作原理；实践层面，则通过对AlphaGo的层层剖析，展现了卷积神经网络的实践方法。此外，本书在大环境上，基于Python和MXNet等流行的深度学习工具撰写，能让读者在理解深度卷积网络的同时，掌握这些工具的使用。
——刘付强 MSUP（麦思博）创始人兼CEO
人工智能是未来重要的发展方向，也是我们极客邦重要的内容版块之一。这本书选择深度学习中受欢迎的技术深度卷积网络（DCNN）和生成式对抗网络（GAN）为切入点，从技术、原理、训练方法、应用等角度全方位地对它们进行了讲解。为了让艰深的技术不那么难懂，本书以我们熟知的AlphaGo为案例（AlphaGo是使用深度卷积网络的经典成功案例），通过分析AlphaGo的实现过程，让具体的技术细节通俗易懂。
——霍泰稳 极客邦科技创始人兼 CEO
2016年AlphaGo人机大战开启了人工智能的黄金时代，CSDN数据统计表明2016年后深度学习技术文章全年增长3倍以上，阅读过机器学习和深度学习内容的开发者用户数近百万，但全面掌握深度学习还是有相当的门槛，坊间也有深度学习的经典著作，但还很缺乏系统工程实践讲解，彭博这本书弥补了这一缺失，由浅入深，从实践出发，剖析AlphaGo实现，全面系统介绍了深度卷积网络的应用和发展，开发者跟着书中案例一步步实现，就可以快速掌握深度学习的强大。
——蒋涛 CSDN创始人/极客帮创投创始人

]

本书特色

[

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。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。

]

内容简介

[

（1）作者技术扎实、功力深厚，有20余年开发经验，对人工智能、量化交易、区块链等技术有深入研究，实践经验丰富。
（2）CSDN、极客邦科（InfoQ）、麦思博（MSUP）、天善智能4大IT媒体和知识服务机构高度评价并推荐
（3）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。
（4）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，包含大量案例和代码。

]

作者简介

[

彭博
人工智能、量化交易、区块链领域的技术专家，有20年以上的研发经验。
在人工智能与信息科技方面，对深度学习、机器学习、计算机图形学、智能硬件等有较为深入的研究；在量化交易方面，曾在全球大的外汇对冲基金负责程序化交易，对市场的微观和宏观行为有较为深入的理解；在区块链方面，对智能合约、DApp开发和自动交易有较为深入的实践。
知乎上科技领域的大V，在专栏撰有大量技术文章。

]

目录

Contents 目　　录前言引子·神之一手1第1章　走进深度学习的世界51.1　从人工智能到深度学习51.2　深度神经网络的威力：以AlphaGo为例81.2.1　策略网络简述91.2.2　泛化：看棋谱就能学会下围棋111.2.3　拟合与过拟合111.2.4　深度神经网络的速度优势121.3　深度神经网络的应用大观131.3.1　图像分类问题的难度所在131.3.2　用深度神经网络理解图像151.3.3　AlphaGo中的深度神经网络171.3.4　自动发现规律：从数据A到答案B171.3.5　深度神经网络的更多应用181.3.6　从分而治之，到端对端学习241.4　亲自体验深度神经网络251.4.1　TensorFlow游乐场251.4.2　MNIST数字识别实例：LeNet-5271.4.3　策略网络实例281.4.4　简笔画：Sketch-RNN291.4.5　用GAN生成动漫头像301.5　深度神经网络的基本特点311.5.1　两大助力：算力、数据311.5.2　从特征工程，到逐层抽象321.5.3　深度神经网络学会的是什么351.6　人工智能与神经网络的历史361.6.1　人工智能的两大学派：逻辑与统计371.6.2　人工智能与神经网络的现代编年史37第2章　深度卷积网络：**课422.1　神经元：运作和训练432.1.1　运作：从实例说明432.1.2　训练：梯度下降的思想442.1.3　训练：梯度下降的公式462.1.4　训练：找大小问题的初次尝试482.1.5　训练：Excel的实现 502.1.6　重要知识：批大小、mini-batch、epoch512.2　深度学习框架MXNet：安装和使用512.2.1　计算图：动态与静态522.2.2　安装MXNet：准备工作532.2.3　在Windows下安装MXNet542.2.4　在macOS下安装MXNet：CPU版572.2.5　在macOS下安装MXNet：GPU版582.2.6　在Linux下安装MXNet592.2.7　安装Jupyter演算本592.2.8　实例：在MXNet训练神经元并体验调参602.3　神经网络：运作和训练632.3.1　运作：前向传播，与非线性激活的必要性632.3.2　运作：非线性激活642.3.3　训练：梯度的计算公式662.3.4　训练：实例692.3.5　训练：Excel的实现702.3.6　训练：反向传播712.3.7　重要知识：梯度消失，梯度爆炸722.3.8　从几何观点理解神经网络722.3.9　训练：MXNet的实现73第3章　深度卷积网络：第二课 773.1　重要理论知识773.1.1　数据：训练集、验证集、测试集773.1.2　训练：典型过程793.1.3　有监督学习：回归、分类、标签、排序、Seq2Seq793.1.4　无监督学习：聚类、降维、自编码、生成模型、推荐813.1.5　训练的障碍：欠拟合、过拟合823.1.6　训练的细节：局部极值点、鞍点、梯度下降算法833.2　神经网络的正则化853.2.1　修改损失函数：L2和L1正则化853.2.2　修改网络架构：Dropout正则化863.2.3　更多技巧：集合、多任务学习、参数共享等863.2.4　数据增强与预处理883.3　神经网络的调参893.3.1　学习速率893.3.2　批大小903.3.3　初始化方法923.3.4　调参实战：重返TensorFlow游乐场933.4　实例：MNIST问题953.4.1　重要知识：SoftMax层、交叉熵损失963.4.2　训练代码与网络架构983.4.3　超越MNIST：*新的Fashion-MNIST数据集1013.5　网络训练的常见bug和检查方法1033.6　网络训练性能的提高104第4章　深度卷积网络：第三课1064.1　卷积网络：从实例说明1064.1.1　实例：找橘猫，*原始的方法1074.1.2　实例：找橘猫，更好的方法1084.1.3　实例：卷积和池化1084.1.4　卷积网络的运作1114.2　运作：AlphaGo眼中的棋盘1124.2.1　棋盘的编码1134.2.2　*简化的策略网络1154.2.3　*简化的策略网络：特征层和卷积后的结果1164.3　卷积神经网络：进一步了解1224.3.1　卷积核、滤波器与参数量的计算1224.3.2　运作和训练的计算1234.3.3　外衬与步长1244.3.4　缩小图像：池化与全局池化1264.3.5　放大图像：转置卷积1274.4　实例：用卷积网络解决MNIST问题1284.4.1　网络架构的定义与参数量的计算1294.4.2　训练MNIST网络1304.4.3　在MXNet运行训练后的网络1314.4.4　调参实例1334.4.5　在Fashion-MNIST数据集的结果1334.5　MXNet的使用技巧1344.5.1　快速定义多个层1344.5.2　网络的保存与读取1354.5.3　图像数据的打包和载入1354.5.4　深入MXNet训练细节1364.5.5　在浏览器和移动设备运行神经网络139第5章　深度卷积网络：第四课1415.1　经典的深度卷积网络架构1425.1.1　深度学习革命的揭幕者：AlexNet1425.1.2　常用架构：VGG系列1455.1.3　去掉全连接层：DarkNet系列1475.2　网络的可视化：以AlexNet为例1505.3　迁移学习：精调、预训练等1555.4　架构技巧：基本技巧1575.4.1　感受野与缩小卷积核1575.4.2　使用1×1卷积核1585.4.3　批规范化1605.4.4　实例：回顾Fashion-MNIST问题1615.4.5　实例：训练CIFAR-10模型1645.5　架构技巧：残差网络与通道组合1695.5.1　残差网络：ResNet的思想1695.5.2　残差网络：架构细节1715.5.3　残差网络：来自于集合的理解与随机深度1725.5.4　残差网络：MXNet实现，以策略网络为例1735.5.5　通道组合：Inception模组1745.5.6　通道组合：XCeption架构，深度可分卷积1775.5.7　实例：再次训练CIFAR-10模型1785.6　架构技巧：更多进展1815.6.1　残差网络进展：ResNext、Pyramid Net、DenseNet1815.6.2　压缩网络：SqueezeNet、MobileNet、ShuffleNet1835.6.3　卷积核的变形1885.7　物体检测与图像分割1895.7.1　YOLO v1：实时的物体检测网络1905.7.2　YOLO v2：更快、更强1925.7.3　Faster R-CNN：准确的物体检测网络1945.7.4　Mask-RCNN：准确的图像分割网络1955.8　风格转移197第6章　AlphaGo架构综述2006.1　从AlphaGo到AlphaZero2016.1.1　AlphaGo v13与AlphaGo v182016.1.2　AlphaGo Master与AlphaGoZero2026.1.3　解决一切棋类：AlphaZero2046.2　AlphaGo的对弈过程2056.2.1　策略网络2056.2.2　来自人类的思路2086.2.3　蒙特卡洛树搜索与估值问题2096.2.4　从快速走子估值到价值网络2116.2.5　从搜索树看策略与价值网络的作用2136.2.6　策略与价值网络的运作实例2156.3　AlphaGo中的深度卷积网络架构2176.4　AlphaGo的训练过程2196.4.1　原版AlphaGo：策略梯度方法2196.4.2　新版AlphaGo：从蒙特卡洛树搜索学习2206.5　AlphaGo方法的推广221第7章　训练策略网络与实战2247.1　训练前的准备工作2247.1.1　棋谱数据2257.1.2　落子模拟2267.1.3　终局判断2267.2　训练代码2277.2.1　主程序：train.py2277.2.2　训练参数：config.py2337.2.3　辅助函数：util.py2347.2.4　棋盘随机变换：symmetry.py2357.2.5　训练实例2367.3　对弈实战237第8章　生成式对抗网络：GAN2408.1　GAN的起源故事2408.2　GAN的基本原理2428.2.1　生成模型：从图像到编码，从编码到图像2428.2.2　GAN的基本效果2438.2.3　GAN的训练方法2468.3　实例：DCGAN及训练过程2488.3.1　网络架构2488.3.2　训练代码2498.4　GAN的更多架构和应用2558.4.1　图像转移：CycleGAN系列2558.4.2　生成高分辨率图像：nVidia的改进2608.4.3　自动提取信息：InfoGAN2618.4.4　更多应用2648.5　更多的生成模型方法2668.5.1　自编码器：从AE到VAE2668.5.2　逐点生成：PixelRNN和PixelCNN系列2678.5.3　将VAE和GAN结合：CVAE-GAN268第9章　通向智能之秘2729.1　计算机视觉的难度2729.2　对抗样本，与深度网络的特点2769.3　人工智能的挑战与机遇2789.3.1　棋类游戏中的电脑陷阱2789.3.2　偏见、过滤气泡与道德困境2809.3.3　语言的迷局2839.3.4　强化学习、机器人与目标函数2869.3.5　创造力、审美与意识之谜2909.3.6　预测学习：机器学习的前沿2939.4　深度学习的理论发展2959.4.1　超越反向传播：预测梯度与生物模型2959.4.2　超越神经网络：Capsule与gcForest2979.4.3　泛化问题3009.5　深度学习与人工智能的展望3049.5.1　工程层面3049.5.2　理论层面3049.5.3　应用层面305跋　人工智能与我们的未来306附录　深度学习与AI的网络资源310

封面

书名:深度卷积网络原理与实践

作者:彭博

页数:未知

定价:¥129.0

出版社:机械工业出版社

出版日期:2018-05-01

ISBN:9787111596653

PDF电子书大小:65MB 高清扫描完整版