卷积神经网络的Python实现，由人民邮电出版社在2019-01-01月出版发行，本书编译以及作者信息为： 单建华 著，这是第1次发行， 国际标准书号为：9787115497567，品牌为人民邮电出版社, 这本书采用平装开本为大32开，纸张采为胶版纸，全书共有225页，字数万字，值得推荐。
此书内容摘要
卷积神经网络是深度学习重要的模型之一。本书是卷积神经网络领域的入门读物，假定读者不具备任何机器学习知识。书中尽可能少地使用数学知识，从机器学习的概念讲起，以卷积神经网络的****发展结束。本书首先简单介绍了机器学习的基本概念，详细讲解了线性模型、神经网络和卷积神经网络模型，然后介绍了基于梯度下降法的优化方法和梯度反向传播算法，接着介绍了训练网络前的准备工作、神经网络实战、卷积神经网络的应用及其发展。针对每个关键知识点，书中给出了基于NumPy 的代码实现，以及完整的神经网络和卷积神经网络代码实现，方便读者训练网络和查阅代码。
本书既可以作为卷积神经网络的教材，也可以供对卷积神经网络感兴趣的工程技术人员和科研人员参考。
关于此书作者
单建华，安徽工业大学教授、研究生导师，1998年进入中国科学技术大学就读，本硕博连读。博士毕业后从事图像处理和机器人研究。近几年研究深度学习，特别是卷积神经网络及其在汽车主动安全技术方面的应用。编辑们的推荐
一本包含全部代码的参考书零基础学习深度学习
基于NumPy的Python语言实现卷积神经网络
本书用极少的数学知识，深入浅出地介绍了机器学习、卷积神经网络的相关概念以及实践中特别重要的数据预处理。书中没有借助深度学习库，完全使用Python语言基于NumPy库实现了神经网络和卷积神经网络，并给出了全部代码。为了方便读者理解深度学习和更好地使用深度学习库，如TensorFlow，书中特别对误差反向传播算法和神经网络的优化方法进行了深入分析。在此基础上，本书进一步实现了经典的VGG网络和移动端MobileNetV2网络，同时介绍了GoogLeNet、ResNet和SENet。
卷积神经网络的Python实现图书的目录
第 一部分模型篇第1章 机器学习简介2
1．1引言2
1．2基本术语3
1．3重要概念5
1．4图像分类12
1．5MNIST数据集简介15
第2章 线性分类器17
2．1线性模型17
2．1．1线性分类器18
2．1．2理解线性分类器19
2．1．3代码实现21
2．2softmax损失函数22
2．2．1损失函数的定义23
2．2．2概率解释24
2．2．3代码实现25
2．3优化26
2．4梯度下降法26
2．4．1梯度的解析意义27
2．4．2梯度的几何意义29
2．4．3梯度的物理意义29
2．4．4梯度下降法代码实现29
2．5牛顿法30
2．6机器学习模型统一结构31
2．7正则化33
2．7．1范数正则化34
2．7．2提前终止训练37
2．7．3概率的进一步解释38
第3章神经网络39
3．1数学模型39
3．2激活函数41
3．3代码实现44
3．4学习容量和正则化45
3．5生物神经科学基础48
第4章卷积神经网络的结构50
4．1概述50
4．1．1局部连接51
4．1．2参数共享52
4．1．33D特征图52
4．2卷积层53
4．2．1卷积运算及代码实现54
4．2．2卷积层及代码初级实现57
4．2．3卷积层参数总结63
4．2．4用连接的观点看卷积层64
4．2．5使用矩阵乘法实现卷积层运算67
4．2．6批量数据的卷积层矩阵乘法的代码实现69
4．3池化层74
4．3．1概述74
4．3．2池化层代码实现76
4．4全连接层79
4．4．1全连接层转化成卷积层80
4．4．2全连接层代码实现82
4．5卷积网络的结构83
4．5．1层的组合模式83
4．5．2表示学习86
4．6卷积网络的神经科学基础87
第二部分优化篇
第5章基于梯度下降法的最优化方法90
5．1随机梯度下降法SGD91
5．2基本动量法93
5．3Nesterov动量法95
5．4AdaGrad95
5．5RMSProp97
5．6Adam98
5．7AmsGrad99
5．8学习率退火99
5．9参数初始化100
5．10超参数调优101
第6章梯度反向传播算法104
6．1基本函数的梯度104
6．2链式法则105
6．3深度网络的误差反向传播算法107
6．4矩阵化109
6．5softmax损失函数梯度计算111
6．6全连接层梯度反向传播112
6．7激活层梯度反向传播113
6．8卷积层梯度反向传播115
6．9最大值池化层梯度反向传播118
第三部分实战篇
第7章训练前的准备124
7．1中心化和规范化124
7．1．1利用线性模型推导中心化125
7．1．2利用属性同等重要性推导规范化126
7．1．3中心化和规范化的几何意义128
7．2PCA和白化128
7．2．1从去除线性相关性推导PCA129
7．2．2PCA代码130
7．2．3PCA降维131
7．2．4PCA的几何意义133
7．2．5白化134
7．3卷积网络在进行图像分类时如何预处理135
7．4BN136
7．4．1BN前向计算136
7．4．2BN层的位置137
7．4．3BN层的理论解释138
7．4．4BN层在实践中的注意事项139
7．4．5BN层的梯度反向传播140
7．4．6BN层的地位探讨141
7．4．7将BN层应用于卷积网络141
7．5数据扩增142
7．6梯度检查144
7．7初始损失值检查146
7．8过拟合微小数据子集146
7．9监测学习过程147
7．9．1损失值147
7．9．2训练集和验证集的准确率148
7．9．3参数更新比例149
第8章神经网络实例150
8．1生成数据150
8．2数据预处理152
8．3网络模型153
8．4梯度检查156
8．5参数优化158
8．6训练网络159
8．7过拟合小数据集162
8．8超参数随机搜索162
8．9评估模型165
8．10程序组织结构165
8．11增加BN层167
8．12程序使用建议171
第9章卷积神经网络实例172
9．1程序结构设计173
9．2激活函数173
9．3正则化174
9．4优化方法175
9．5卷积网络的基本模块176
9．6训练方法181
9．7VGG网络结构186
9．8MNIST数据集197
9．9梯度检测199
9．10MNIST数据集的训练结果202
9．11程序使用建议205
第10章 卷积网络结构的发展206
10．1全局平均池化层206
10．2去掉池化层208
10．3网络向更深更宽发展面临的困难209
10．4ResNet向更深发展的代表网络210
10．5GoogLeNet向更宽发展的代表网络213
10．6轻量网络215
10．6．11×1深度维度卷积代码实现217
10．6．23×3逐特征图的卷积代码实现219
10．6．3逆残差模块的代码实现222
10．7注意机制网络SENet223
部分内容试读
暂无.关于此书评价
暂无.书摘内容
暂无.卷积神经网络的Python实现最新最全的试读、书评、目录、简介信息由Python中文网整理提供。