深度学习之模型设计：核心算法与案例实践
| 作者 |
| 言有三 |
| 丛书名 |
| 循序渐进学AI系列丛书 |
| 出版社 |
| 电子工业出版社 |
| ISBN |
| 9787121390302 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书理论知识体系完备，由浅入深，系统性地介绍了深度学习模型的发展脉络，以及模型深度设计、模型宽度设计、模型通道维度设计、残差连接设计、分组卷积设计、多尺度与非正常卷积设计、多输入网络设计、时序神经网络设计、三维卷积网络设计、动态推理模型与注意力机制设计、生成对抗网络设计这10类主流的深度学习模型设计思想。同时，本书为各模型设计思想提供了大量的实例，供读者实战演练。 |
| 目录 |
| 第1章 神经网络和计算机视觉基础\t1 1.1 计算机视觉\t1 1.1.1 研究视觉的重要性\t1 1.1.2 生物学视觉原理与视觉分层理论\t2 1.2 数字图像基础\t3 1.2.1 数字图像基础概述\t3 1.2.4 数字图像处理基础\t7 1.3 神经网络基础\t11 1.3.1 生物神经元与人工神经网络\t12 1.3.2 感知机是神经网络吗\t12 1.3.3 BP算法\t16 第2章 深度学习的基础\t20 2.1 全连接神经网络的局限性\t20 2.1.1 学习原理的缺陷\t20 2.1.2 全连接神经网络的结构缺陷\t21 2.1.3 高性能的传统机器学习算法\t22 2.2 深度学习第三次复兴简史\t22 2.2.1 互联网与大数据来了\t23 2.2.2 GPU的普及\t23 2.2.3 深层神经网络华丽归来\t24 2.2.4 语音识别的重大突破\t25 2.2.4 图像识别的重大突破\t26 2.2.5 自然语言处理的重大突破\t28 2.3 卷积神经网络基础\t29 2.3.1 卷积操作\t29 2.3.2 反卷积操作\t30 2.3.3 卷积神经网络基本概念\t31 2.3.4 卷积神经网络的核心思想\t33 2.3.5 卷积神经网络的基本结构配置\t33 2.4 深度学习优化基础\t37 2.4.1 激活模型与常用激活函数\t38 2.4.2 参数初始化方法\t43 2.4.3 归一化方法\t45 2.4.4 池化\t49 2.4.5 最优化方法\t50 2.4.6 学习率策略\t54 2.4.7 正则化方法\t57 2.5 深度学习主流开源框架\t60 2.5.1 Caffe\t60 2.5.2 TensorFlow\t61 2.5.3 Pytorch\t61 2.5.4 Theano\t62 2.5.5 Keras\t62 2.5.6 MXNet\t63 2.5.7 Chainer\t63 参考文献\t64 第3章 数据集、评测指标与优化目标\t66 3.1 数据集\t66 3.1.1 分类数据集MNIST\t66 3.1.2 ImageNet\t66 3.1.3 分类数据集GHIM-10k\t67 3.1.4 分类数据集Place20\t67 3.1.5 肖像分割数据集\t68 3.1.6 视频分类数据集UCF101\t68 3.1.7 目标跟踪数据集ImageNet VIDEO\t68 3.2 评测指标\t69 3.2.1 分类评测指标\t69 3.2.2 检索与回归评测指标\t73 3.2.3 图像生成评测指标\t75 3.3 优化目标\t76 3.3.1 分类任务损失\t76 3.3.2 回归任务损失\t78 参考文献\t80 第4章 加深网络，提升模型性能\t81 4.1 经典的浅层卷积神经网络\t81 4.1.1 Neocognitron网络\t81 4.1.2 TDNN\t83 4.1.3 Cresceptron网络\t83 4.1.4 LeNet系列\t84 4.2 经典网络的深度设计\t87 4.2.1 AlexNet\t87 4.2.2 从AlexNet到VGGNet的升级\t90 4.2.3 为什么需要更深的网络\t93 4.3 实验：网络深度对分类模型性能的影响\t94 4.3.1 基准模型\t94 4.3.2 不同学习率策略与优化方法\t96 4.3.3 标准卷积模型网络深度影响实验\t104 4.3.4 MobileNet网络深度影响实验\t111 4.3.5 总结\t113 参考文献\t114 第5章 1×1卷积，通道维度升降的利器\t115 5.1 特征通道与信息融合\t115 5.1.1 通道内特征能做什么\t115 5.1.2 通道间特征能做什么\t116 5.2 1×1卷积及其应用\t117 5.2.1 什么是1×1卷积\t117 5.2.2 1×1卷积与瓶颈结构\t117 5.2.3 1×1卷积与SqueezeNet\t118 5.3 1×1卷积在瓶颈结构中的作用\t120 5.3.1 基准模型\t120 5.3.2 瓶颈结构探索\t126 5.3.3 训练结果\t143 5.4 1×1卷积在增强网络表达能力中的作用\t145 5.4.1 基准模型\t145 5.4.2 网络配置\t146 5.4.3 实验结果\t146 参考文献\t148 第6章 加宽网络，提升模型性能\t149 6.1 为什么需要更宽的网络结构\t149 6.2 经典模型的网络宽度设计思想\t149 6.2.1 调整通道数量\t150 6.2.2 多分支网络结构设计\t152 6.2.3 通道补偿技术\t154 6.3 实验：网络宽度对模型性能的影响\t155 6.3.1 实验背景\t155 6.3.2 训练结果\t161 6.3.3 总结\t166 参考文献\t166 第7章 残差连接，深层网络收敛的关键\t167 7.1 残差连接\t167 7.1.1 什么是残差连接\t167 7.1.2 为什么残差连接有效\t169 7.2 残差网络结构发展和应用\t171 7.2.1 密集连接的残差网络结构\t171 7.2.2 多分支残差结构\t173 7.2.3 残差连接与多尺度信息融合\t174 7.3 跳层连接在图像分割中的应用\t175 7.3.1 数据集与基准模型\t175 7.3.2 Allconv5_SEG实验\t184 7.3.3 增加跳层连接\t186 参考文献\t199 第8章 分组卷积与卷积拆分，移动端高效率经典模型\t201 8.1 卷积拆分与分组卷积\t201 8.1.1 卷积拆分\t201 8.1.2 分组卷积\t201 8.2 分组卷积结构\t202 8.2.1 简单的通道分组网络\t203 8.2.2 级连通道分组网络\t204 8.2.3 多分辨率卷积核通道分组网络\t205 8.2.4 多尺度通道分组网络\t206 8.2.5 多精度通道分组网络\t207 8.3 训练一个用于图像分割的实时分组网络\t208 8.3.1 项目背景\t208 8.3.2 嘴唇分割模型训练\t208 8.3.3 嘴唇分割模型优化\t212 参考文献\t219 第9章 多尺度网络与非正常卷积，更丰富的感受野与不变性\t221 9.1 目标常见变换与不变性\t221 9.1.1 常见变换\t221 9.1.2 从模型本身获取不变性\t221 9.1.3 从数据中学习不变性\t223 9.2 多尺度网络结构\t224 9.2.1 图像金字塔\t224 9.2.2 多尺度网络\t225 9.3 非正常卷积网络结构\t228 9.3.1 带孔卷积\t228 9.3.2 可变形卷积\t229 9.3.3 非局部卷积\t230 9.4 STN在可变形手写数字中的应用\t232 9.4.1 项目背景\t232 9.4.2 STN实验\t233 参考文献\t237 第10章 多输入网络，图像检索和排序的基准模型\t238 10.1 什么时候需要多个输入\t238 10.1.1 图像检索\t238 10.1.2 目标跟踪\t239 10.1.3 相对排序\t239 10.2 常见多输入网络\t240 10.2.1 Siamese网络\t240 10.2.2 Triplet网络\t241 10.3 目标跟踪Siamese网络实战\t242 10.3.1 网络结构\t242 10.3.2 数据读取\t244 10.3.3 损失函数和评估指标\t247 10.3.4 模型训练\t248 10.3.5 模型测试\t249 参考文献\t254 第11章 时序神经网络，有记忆的网络更聪明\t255 11.1 单向RNN和双向RNN\t255 11.1.1 RNN\t255 11.1.2 双向RNN\t257 11.2 LSTM\t258 11.3 LSTM视频分类实践\t260 11.3.1 数据准备\t260 11.3.2 数据读取\t260 11.3.3 网络定义\t264 11.3.4 模型训练结果\t269 11.3.5 总结\t270 第12章 卷积从二维变成三维，实现升维打击\t271 12.1 三维卷积\t271 12.2 三维卷积的应用\t272 12.2.1 分类任务\t272 12.2.2 图像分割\t274 12.3 一个用于视频分类的三维卷积网络\t274 12.3.1 基准模型与数据集\t275 12.3.2 数据读取\t278 12.3.3 训练结果\t280 12.3.4 参数调试\t281 12.3.5 总结\t283 参考文献\t283 第13章 动态推理与注意力机制，网络因样本而异\t284 13.1 拓扑结构动态变化的网络\t284 13.1.1 训练时拓扑结构变化的网络\t284 13.1.2 测试时拓扑结构变化的网络\t285 13.2 注意力机制\t288 13.2.1 空间注意力模型\t289 13.2.2 通道注意力模型[9]\t289 13.2.3 混合注意力模型\t290 13.3 基于提前退出机制的BranchyNet分类实战\t291 13.3.1 背景\t291 13.3.2 模型定义\t292 13.3.3 实验结果\t302 参考文献\t305 第14章 生成对抗网络\t306 14.1 生成对抗网络的基本原理\t306 14.1.1 生成式模型与判别式模型\t306 14.1.2 GAN简介\t307 14.2 生成对抗网络损失的发展\t308 14.2.1 GAN的损失函数问题\t308 14.2.2 GAN的损失函数改进\t309 14.3 生成对抗网络结构的发展\t310 14.3.1 条件GAN\t310 14.3.2 多尺度级连GAN\t311 14.3.3 多判别器单生成器GAN\t312 14.3.4 多生成器单判别器GAN\t313 14.3.5 多生成器多判别器GAN\t313 14.4 DCGAN图像生成实战\t314 14.4.1 项目背景\t314 14.4.2 项目解读\t315 14.4.3 实验结果\t319 参考文献\t321 |
有问题微信扫码联系