深度捲積網絡 : 原理與實踐 深度卷积网络:原理与实践

彭博

  • 出版商: 機械工業
  • 出版日期: 2018-05-07
  • 定價: $774
  • 售價: 7.5$581
  • 語言: 簡體中文
  • 頁數: 328
  • 裝訂: 平裝
  • ISBN: 711159665X
  • ISBN-13: 9787111596653
  • 相關分類: DeepLearning
  • 立即出貨

買這商品的人也買了...

相關主題

商品描述

本書正文內容可分3部分,共9章:綜述篇(第1,6,9章)。這三章不需要編程和數學基礎,如果讀者尚不熟悉技術,推薦優先閱讀,尤其是第1和第9章。它們分別介紹:深度學習的基本概念,AlphaGo的架構綜述,深度學習的問題和未來展望。深度捲積網絡篇(第2,3,4,5章)。這四章結合理論與實際代碼,由淺入深,從神經網絡,到捲積網絡,到深度捲積網絡,讓讀者掌握深度捲積網絡的基礎知識、實踐技巧和新發展,是本書的關鍵所在,值得仔細閱讀。實戰篇(第7,8章)。這兩章分別講述AlphaGo和GAN的訓練和應用細節,包括詳細的代碼分析。

作者簡介

彭博

人工智能、量化交易、區塊鏈領域的技術專家,有20年以上的研發經驗。
在人工智能與信息科技方面,對深度學習、機器學習、計算機圖形學、智能硬件等有較為深入的研究;在量化交易方面,曾在全球大的外匯對沖基金負責程序化交易,對市場的微觀和宏觀行為有較為深入的理解;在區塊鏈方面,對智能合約、DApp開發和自動交易有較為深入的實踐。
 

目錄大綱

Contents目錄
前言
引子·神之一手1 

第1章走進深度學習的世界5 
1.1從人工智能到深度學習5 
1.2深度神經網絡的威力:以AlphaGo為例8 
1.2.1策略網絡簡述9 
1.2.2泛化:看棋譜就能學會下圍棋11 
1.2.3擬合與過擬合11 
1.2.4深度神經網絡的速度優勢12 
1.3深度神經網絡的應用大觀13 
1.3.1圖像分類問題的難度所在13 
1.3 .2用深度神經網絡理解圖像15 
1.3.3 AlphaGo中的深度神經網絡17 
1.3.4自動發現規律:從數據A到答案B17 
1.3.5深度神經網絡的更多應用18 
1.3.6從分而治之,到端對端學習24 
1.4親自體驗深度神經網絡25 
1.4.1 TensorFlow遊樂場25 
1.4.2 MNIST數字識別實例:LeNet-527 
1.4.3策略網絡實例28 
1.4.4簡筆劃:Sketch-RNN29 
1.4.5用GAN生成動漫頭像30 
1.5深度神經網絡的基本特點31 
1.5.1兩大助力:算力、數據31 
1.5.2從特徵工程,到逐層抽象32
1.5.3深度神經網絡學會的是什麼35 
1.6人工智能與神經網絡的歷史36 
1.6.1人工智能的兩大學派:邏輯與統計37 
1.6.2人工智能與神經網絡的現代編年史37 

第2章深度卷積網絡:第一課42 
2.1神經元:運作和訓練43 
2.1.1運作:從實例說明43 
2.1.2訓練:梯度下降的思想44 
2.1.3訓練:梯度下降的公式46 
2.1.4訓練:找大小問題的初次嘗試48 
2.1.5訓練:Excel的實現50 
2.1.6重要知識:批大小、mini-batch、epoch51 
2.2深度學習框架MXNet:安裝和使用51 
2.2.1計算圖:動態與靜態52 
2.2.2安裝MXNet:準備工作53 
2.2.3在Windows下安裝MXNet54 
2.2.4在macOS下安裝MXNet:CPU版57 
2.2.5在macOS下安裝MXNet:GPU版58 
2.2.6在Linux下安裝MXNet59 
2.2.7安裝Jupyter演算本59 
2.2.8實例:在MXNet訓練神經元並體驗調參60 
2.3神經網絡:運作和訓練63 
2.3.1運作:前向傳播,與非線性激活的必要性63 
2.3. 2運作:非線性激活64
2.3.3訓練:梯度的計算公式66 
2.3.4訓練:實例69 
2.3.5訓練:Excel的實現70 
2.3.6訓練:反向傳播71 
2.3.7重要知識:梯度消失,梯度爆炸72 
2.3.8從幾何觀點理解神經網絡72 
2.3.9訓練:MXNet的實現73 

第3章深度卷積網絡:第二課77 
3.1重要理論知識77 
3.1.1數據:訓練集、驗證集、測試集77 
3.1.2訓練:典型過程79 
3.1.3有監督學習:回歸、分類、標籤、排序、Seq2Seq79 
3.1.4無監督學習:聚類、降維、自編碼、生成模型、推薦81 
3.1.5訓練的障礙:欠擬合、過擬合82 
3.1.6訓練的細節:局部極值點、鞍點、梯度下降算法83 
3.2神經網絡的正則化85 
3.2.1修改損失函數:L2和L1正則化85 
3.2.2修改網絡架構:Dropout正則化86 
3.2.3更多技巧:集合、多任務學習、參數共享等86 
3.2.4數據增強與預處理88 
3.3神經網絡的調參89 
3.3.1學習速率89 
3.3.2批大小90 
3.3.3初始化方法92 
3.3.4調參實戰:重 返TensorFlow遊樂場93
3.4實例:MNIST問題95 
3.4.1重要知識:SoftMax層、交叉熵損失96 
3.4.2訓練代碼與網絡架構98 
3.4.3超越MNIST:最新的Fashion-MNIST數據集101 
3.5網絡訓練的常見bug和檢查方法103 
3.6網絡訓練性能的提高104 

第4章深度卷積網絡:第三課106 
4.1卷積網絡:從實例說明106 
4.1.1實例:找橘貓,最原始的方法107 
4.1.2實例:找橘貓,更好的方法108 
4.1.3實例:卷積和池化108 
4.1.4卷積網絡的運作111 
4.2運作:AlphaGo眼中的棋盤112 
4.2.1棋盤的編碼113 
4.2.2最簡化的策略網絡115 
4.2.3最簡化的策略網絡:特徵層和卷積後的結果116 
4.3卷積神經網絡:進一步了解122 
4.3.1卷積核、濾波器與參數量的計算122 
4.3.2運作和訓練的計算123 
4.3.3外襯與步長124 
4.3.4縮小圖像:池化與全局池化126 
4.3.5放大圖像:轉置卷積127 
4.4實例:用卷積網絡解決MNIST問題128 
4.4.1網絡架構的定義與參數量的計算129 
4.4.2 訓練MNIST網絡130
4.4.3在MXNet運行訓練後的網絡131 
4.4.4調參實例133 
4.4.5在Fashion-MNIST數據集的結果133 
4.5 MXNet的使用技巧134 
4.5.1快速定義多個層134 
4.5.2網絡的保存與讀取135 
4.5.3圖像數據的打包和載入135 
4.5.4深入MXNet訓練細節136 
4.5.5在瀏覽器和移動設備運行神經網絡139 

第5章深度卷積網絡:第四課141 
5.1經典的深度卷積網絡架構142 
5.1.1深度學習革命的揭幕者:AlexNet142 
5.1.2常用架構:VGG系列145 
5.1.3去掉全連接層:DarkNet系列147 
5.2網絡的可視化:以AlexNet為例150 
5.3遷移學習:精調、預訓練等155 
5.4架構技巧:基本技巧157 
5.4.1感受野與縮小卷積核157 
5.4.2使用1×1卷積核158 
5.4.3批規範化160 
5.4.4實例:回顧Fashion-MNIST問題161 
5.4.5實例:訓練CIFAR-10模型164 
5.5架構技巧:殘差網絡與通道組合169 
5.5.1殘差網絡:ResNet的思想169 
5.5.2殘差網絡:架構細節171
5.5.3殘差網絡:來自於集合的理解與隨機深度172 
5.5.4殘差網絡:MXNet實現,以策略網絡為例173 
5.5.5通道組合:Inception模組174 
5.5.6通道組合:XCeption架構,深度可分卷積177 
5.5.7實例:再次訓練CIFAR-10模型178 
5.6架構技巧:更多進展181 
5.6.1殘差網絡進展:ResNext、Pyramid Net、DenseNet181 
5.6.2壓縮網絡:SqueezeNet、MobileNet 、ShuffleNet183 
5.6.3卷積核的變形188 
5.7物體檢測與圖像分割189 
5.7.1 YOLO v1:實時的物體檢測網絡190 
5.7.2 YOLO v2:更快、更強192 
5.7.3 Faster R-CNN:準確的物體檢測網絡194 
5.7.4 Mask-RCNN:準確的圖像分割網絡195 
5.8風格轉移197 

第6章AlphaGo架構綜述200 
6.1從AlphaGo到AlphaZero201 
6.1.1 AlphaGo v13與AlphaGo v18201 
6.1.2 AlphaGo Master與AlphaGoZero202 
6.1.3解決一切棋類:AlphaZero204 
6.2 AlphaGo的對弈過程205
6.2.1策略網絡205 
6.2.2來自人類的思路208 
6.2.3蒙特卡洛樹搜索與估值問題209 
6.2.4從快速走子估值到價值網絡211 
6.2.5從搜索樹看策略與價值網絡的作用213 
6.2.6策略與價值網絡的運作實例215 
6.3 AlphaGo中的深度卷積網絡架構217 
6.4 AlphaGo的訓練過程219 
6.4.1原版AlphaGo:策略梯度方法219 
6.4.2新版AlphaGo:從蒙特卡洛樹搜索學習220 
6.5 AlphaGo方法的推廣221 

第7章訓練策略網絡與實戰224 
7.1訓練前的準備工作224 
7.1.1棋譜數據225 
7.1.2落子模擬226 
7.1.3終局判斷226 
7.2訓練代碼227 
7.2 .1主程序:train.py227 
7.2.2訓練參數:config.py233 
7.2.3輔助函數:util.py234 
7.2.4棋盤隨機變換:symmetry.py235 
7.2.5訓練實例236 
7.3對弈實戰237 

第8章生成式對抗網絡:GAN240 
8.1 GAN的起源故事240 
8.2 GAN的基本原理242
8.2.1生成模型:從圖像到編碼,從編碼到圖像242 
8.2.2 GAN的基本效果243 
8.2.3 GAN的訓練方法246 
8.3實例:DCGAN及訓練過程248 
8.3.1網絡架構248 
8.3.2訓練代碼249 
8.4 GAN的更多架構和應用255 
8.4.1圖像轉移:CycleGAN系列255 
8.4.2生成高分辨率圖像:nVidia的改進260 
8.4.3自動提取信息:InfoGAN261 
8.4.4更多應用264 
8.5更多的生成模型方法266 
8.5.1自編碼器:從AE到VAE266 
8.5.2逐點生成:PixelRNN和PixelCNN系列267 
8.5.3將VAE和GAN結合:CVAE-GAN268 

第9章通向智能之秘272 
9.1計算機視覺的難度272 
9.2對抗樣本,與深度網絡的特點276 
9.3人工智能的挑戰與機遇278 
9.3.1棋類游戲中的電腦陷阱278 
9.3.2偏見、過濾氣泡與道德困境280 
9.3.3語言的迷局283 
9.3.4強化學習、機器人與目標函數286 
9.3.5創造力、審美與意識之謎290 
9.3.6預測學習:機器學習的前沿293
9.4深度學習的理論發展295 
9.4.1超越反向傳播:預測梯度與生物模型295 
9.4.2超越神經網絡:Capsule與gcForest297 
9.4.3泛化問題300 
9.5深度學習與人工智能的展望304 
9.5.1工程層面304 
9.5.2理論層面304 
9.5.3應用層面305 
跋人工智能與我們的未來306 
附錄深度學習與AI的網絡資源310