深度学习:卷积神经网络从入门到精通

图书标准信息

• 作者 李玉鑑、张婷、单传辉、刘兆英 著
• 出版社 机械工业出版社
• 出版时间 2018-07
• 版次 1
• ISBN 9787111602798
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸

【内容简介】

旨在全面介绍各种卷积神经网络的模型、算法及应用，指导读者把握其形成和演变的基本脉络，以帮助读者在较短的时间内从入门达到精通的水平。有兴趣的读者可以从本书开始，通过图像分类、识别、检测和分割的案例，逐步深入卷积神经网络的核心，掌握深度学习的方法和精髓，领会AlphaGo战胜人类世界冠军的奥秘。

【作者简介】

李玉鑑（鉴） 
北京工业大学教授，博士生导师。华中理工大学（现名为华中科技大学）本科毕业，中国科学院数学研究所硕士毕业，中国科学院半导体研究所博士毕业，北京邮电大学博士后出站。曾在中国科学院生物物理所工作，对意识的本质问题关注过多年，并在《21世纪100个交叉科学难题》上发表《揭开意识的奥秘》一文，提出了解决意识问题的认知相对论纲领，对脑计划和类脑研究具有宏观指导意义。长期围绕人工智能的核心目标，在神经网络、自然语言处理、模式识别和机器学习等领域开展教学、科研工作，发表国内外期刊、会议论文数十篇，是本书和《深度学习导论及案例分析》的di一作者。  

【目录】

CONTENTS

 

目　　录

 

前言

 

第1章　概述  1

 

1.1　深度学习的起源和发展  1

 

1.2　卷积神经网络的形成和演变  4

 

1.3　卷积神经网络的应用和影响  6

 

1.4　卷积神经网络的缺陷和视图  9

 

1.5 卷积神经网络的GPU实现和cuDNN库  10

 

1.6　卷积神经网络的平台和工具  10

 

1.7　本书的内容结构和案例数据  13

 

1.7.1　内容结构  13

 

1.7.2　案例数据  15

 

第2章　预备知识  22

 

2.1　激活函数  22

 

2.2　矩阵运算  23

 

2.3　导数公式  24

 

2.4　梯度下降算法  25

 

2.5　反向传播算法  26

 

2.5.1　通用反向传播算法  27

 

2.5.2　逐层反向传播算法  28

 

2.6　通用逼近定理  31

 

2.7　内外卷积运算  31

 

2.8　膨胀卷积运算  32

 

2.9　上下采样运算  33

 

2.10　卷积面计算  34

 

2.11　池化面计算  36

 

2.12　局部响应归一化  36

 

2.13　权值偏置初始化  37

 

2.14　丢失输出  37

 

2.15　丢失连接  38

 

2.16　随机梯度下降算法  39

 

2.17　块归一化  39

 

2.18　动态规划算法  40

 

第3章 卷积神经网络的现代雏形——LeNet  41

 

3.1　LeNet的原始模型  41

 

3.2　LeNet的标准模型  43

 

3.3　LeNet的学习算法  44

 

3.4　LeNet的Caffe代码实现及说明  46

 

3.5　LeNet的手写数字识别案例  54

 

3.6　LeNet的交通标志识别案例  58

 

3.6.1 交通标志数据集的格式转换  58

 

3.6.2　交通标志的识别分类  60

 

3.7　LeNet的交通路网提取案例  63

 

3.7.1　交通路网的人工标注  64

 

3.7.2　交通路网的图像块分类  67

 

3.7.3 交通路网的图像块分类LeNet  69

 

3.7.4 交通路网的自动提取代码及说明  71

 

3.7.5 交通路网的自动提取程序运行结果  75

 

第4章 卷积神经网络的突破模型  78

 

4.1　AlexNet的模型结构  78

 

4.2 AlexNet的Caffe代码实现及说明  82

 

4.3 AlexNet的Caffe大规模图像分类案例及演示效果  95

 

4.4 AlexNet的TensorFlow代码实现及说明  97

 

4.5 AlexNet的TensorFlow大规模图像分类案例及演示效果  103

 

4.6　AlexNet的改进模型ZFNet  107

 

第5章 卷积神经网络的应变模型  109

 

5.1　SPPNet的模型结构  109

 

5.2 SPPNet的Caffe代码实现及说明  112

 

5.3 SPPNet的大规模图像分类案例及演示效果  114

 

第6章 卷积神经网络的加深模型  118

 

6.1 结构加深的卷积网络VGGNet  118

 

6.1.1　VGGNet的模型结构  118

 

6.1.2 VGGNet的TensorFlow代码实现及说明  120

 

6.1.3 VGGNet的物体图像分类案例  129

 

6.2 结构更深的卷积网络GoogLeNet  130

 

6.2.1　GoogLeNet的模型结构  130

 

6.2.2 GoogLeNet的TensorFlow代码实现及说明  136

 

6.2.3 GoogLeNet的鲜花图像分类案例  149

 

第7章 卷积神经网络的跨连模型  154

 

7.1　快道网络HighwayNet  154

 

7.2　残差网络ResNet  155

 

7.2.1　ResNet的模型结构  155

 

7.2.2 ResNet的Caffe代码实现及说明  157

 

7.2.3 ResNet的大规模图像分类案例  163

 

7.3　密连网络DenseNet  169

 

7.3.1　DenseNet的模型结构  169

 

7.3.2 DenseNet的Caffe代码实现及说明  171

 

7.3.3 DenseNet的物体图像分类案例  174

 

7.4　拼接网络CatNet  178

 

7.4.1　CatNet的模型结构  178

 

7.4.2 CatNet的Caffe代码实现及说明  179

 

7.4.3 CatNet的人脸图像性别分类案例  183

 

第8章 卷积神经网络的区域模型  190

 

8.1　区域卷积网络R-CNN  190

 

8.2 快速区域卷积网络Fast R-CNN  191

 

8.3 更快区域卷积网络Faster R-CNN  193

 

8.3.1 Faster R-CNN的模型结构  193

 

8.3.2 Faster R-CNN的TensorFlow代码实现及说明  196

 

8.3.3 Faster R-CNN的图像目标检测案例及演示效果  216

 

8.4　你只看一次网络YOLO  220

 

8.4.1　YOLO的模型结构  220

 

8.4.2 YOLO的TensorFlow代码实现及说明  226

 

8.4.3 YOLO的图像目标检测案例及演示效果  239

 

8.5　单次检测器SSD  242

 

8.5.1　SSD的模型结构  242

 

8.5.2 SSD的TensorFlow代码实现及说明  245

 

8.5.3 SSD的图像目标检测案例及演示效果  260

 

第9章 卷积神经网络的分割模型  266

 

9.1　全卷积网络FCN  266

 

9.1.1　FCN的模型结构  266

 

9.1.2 FCN的Caffe代码实现及说明  269

 

9.1.3 FCN的图像语义和几何分割案例  272

 

9.2 金字塔场景分析网络PSPNet  277

 

9.2.1　PSPNet的模型结构  277

 

9.2.2 PSPNet的TensorFlow代码实现及说明  282

 

9.2.3 PSPNet的图像语义分割案例及演示效果  291

 

9.3 掩膜区域卷积网络Mask R-CNN  294

 

9.3.1 Mask R-CNN的模型结构  294

 

9.3.2 Mask R-CNN的Keras和TensorFlow代码实现及说明  297

 

9.3.3 Mask R-CNN的图像实例分割案例及演示效果  318

 

第10章 卷积神经网络的特殊模型  325

 

10.1　孪生网络SiameseNet  325

 

10.1.1 SiameseNet的模型结构  325

 

10.1.2 SiameseNet的Caffe代码实现及说明  326

 

10.1.3 SiameseNet的手写数字验证案例  328

 

10.2　挤压网络SqueezeNet  331

 

10.2.1 SqueezeNet的模型结构  331

 

10.2.2 SqueezeNet的Caffe代码实现及说明  334

 

10.2.3 SqueezeNet大规模图像分类案例  337

 

10.3 深层卷积生成对抗网络DCGAN  339

 

10.3.1 DCGAN的模型结构  339

 

10.3.2 DCGAN的TensorFlow代码实现及说明  340

 

10.3.3 DCGAN的CelebA人脸图像生成案例  345

 

10.4　网中网NIN  348

 

10.4.1　NIN的模型结构  348

 

10.4.2 NIN的Caffe代码实现及说明  350

 

10.4.3 NIN大规模图像分类案例  353

 

第11章 卷积神经网络的强化模型  356

 

11.1　强化学习的基本概念  356

 

11.2 深度强化学习网络的学习算法  358

 

11.3 深度强化学习网络的变种模型  359

 

11.4 深度强化学习网络的Flappy Bird智能体案例  361

 

11.4.1 笨笨鸟网络的开发环境和工具包  362

 

11.4.2 笨笨鸟网络的代码实现及说明  363

 

11.4.3 笨笨鸟网络的学习训练过程  367

 

11.4.4 笨笨鸟网络的演示效果  370

 

第12章 卷积神经网络的顶尖成就——AlphaGo  371

 

12.1　人工智能棋类程序简介  371

 

12.2　AlphaGo的设计原理  373

 

12.2.1　总体思路  373

 

12.2.2　训练流程  374

 

12.2.3　搜索过程  377

 

12.3　AlphaGo Zero的新思想  380

 

12.4 仿效AlphaGo的围棋程序案例MuGo  383

 

12.4.1　MuGo的开发环境  383

 

12.4.2 MuGo的代码实现及说明  386

 

12.4.3 MuGo的学习训练过程  401

 

12.4.4 MuGo的演示效果  403

 

附录A　Caffe在Windows上的?安装过程  406

 

附录B　Caffe在Linux上的安装?过程  409

 

附录C　TensorFlow在Windows?上的安装过程  412

 

附录D　TensorFlow在Linux?上的安装过程  414

 

参考文献  416