深度学习轻松学

出版者:电子工业出版社

作者:冯超

出品人:博文视点

页数:360

出版时间:2017-7

价格:79.00

装帧:平装

isbn号码:9787121317132

丛书系列:博文视点AI系列

具体描述

《深度学习轻松学：核心算法与视觉实践》介绍了深度学习基本算法和视觉领域的应用实例。书中以轻松直白的语言，生动详细地介绍了深层模型相关的基础知识，并深入剖析了算法的原理与本质。同时，书中还配有大量案例与源码，帮助读者切实体会深度学习的核心思想和精妙之处。除此之外，书中还介绍了深度学习在视觉领域的应用，从原理层面揭示其思路思想，帮助读者在此领域中夯实技术基础。

《深度学习轻松学：核心算法与视觉实践》十分适合对深度学习感兴趣，希望对深层模型有较深入了解的读者阅读。

目录信息

1 机器学习与深度学习的概念1
1.1 什么是机器学习 1
1.1.1 机器学习的形式. 2
1.1.2 机器学习的几个组成部分. 8
1.2 深度学习的逆袭 9
1.3 深层模型在视觉领域的应用. 13
1.4 本书的主要内容 15
1.5 总结. 17
2 数学与机器学习基础18
2.1 线性代数基础. 18
2.2 对称矩阵的性质 22
2.2.1 特征值与特征向量 22
2.2.2 对称矩阵的特征值和特征向量 23
2.2.3 对称矩阵的对角化 24
2.3 概率论. 25
2.3.1 概率与分布. 25
2.3.2 最大似然估计 28
2.4 信息论基础 31
2.5 KL 散度. 33
2.6 凸函数及其性质 37
2.7 机器学习基本概念. 39
2.8 机器学习的目标函数 42
2.9 总结. 44
3 CNN 的基石：全连接层45
3.1 线性部分. 45
3.2 非线性部分 48
3.3 神经网络的模样 50
3.4 反向传播法 55
3.4.1 反向传播法的计算方法. 55
3.4.2 反向传播法在计算上的抽象. 58
3.4.3 反向传播法在批量数据上的推广. 59
3.4.4 具体的例子. 63
3.5 参数初始化 65
3.6 总结. 68
4 CNN 的基石：卷积层69
4.1 卷积操作. 69
4.1.1 卷积是什么. 69
4.1.2 卷积层效果展示. 73
4.1.3 卷积层汇总了什么 76
4.1.4 卷积的另一种解释 77
4.2 卷积层的反向传播. 79
4.2.1 实力派解法. 80
4.2.2 “偶像派”解法. 84
4.3 ReLU 88
4.3.1 梯度消失问题 89
4.3.2 ReLU 的理论支撑. 92
4.3.3 ReLU 的线性性质. 93
4.3.4 ReLU 的不足. 93
4.4 总结. 94
4.5 参考文献. 94
5 Caffe 入门95
5.1 使用Caffe 进行深度学习训练. 96
5.1.1 数据预处理. 96
5.1.2 网络结构与模型训练的配置. 100
5.1.3 训练与再训练 108
5.1.4 训练日志分析 110
5.1.5 预测检验与分析. 112
5.1.6 性能测试 115
5.2 模型配置文件介绍. 117
5.3 Caffe 的整体结构. 122
5.3.1 SyncedMemory 124
5.3.2 Blob 125
5.3.3 Layer 125
5.3.4 Net 126
5.3.5 Solver 126
5.3.6 多GPU 训练. 127
5.3.7 IO 127
5.4 Caffe 的Layer 128
5.4.1 Layer 的创建——LayerRegistry 128
5.4.2 Layer 的初始化. 130
5.4.3 Layer 的前向计算. 132
5.5 Caffe 的Net 组装流程 133
5.6 Caffe 的Solver 计算流程. 139
5.6.1 优化流程 140
5.6.2 多卡优化算法 142
5.7 Caffe 的Data Layer 145
5.7.1 Datum 结构. 145
5.7.2 DataReader Thread 147
5.7.3 BasePrefetchingDataLayer Thread 148
5.7.4 Data Layer 149
5.8 Caffe 的Data Transformer 150
5.8.1 C++ 中的Data Transformer 150
5.8.2 Python 中的Data Transformer 153
5.9 模型层扩展实践——Center Loss Layer 156
5.9.1 Center Loss 的原理 156
5.9.2 Center Loss 实现. 160
5.9.3 实验分析与总结. 164
5.10 总结. 165
5.11 参考文献. 165
6 深层网络的数值问题166
6.1 ReLU 和参数初始化. 166
6.1.1 第一个ReLU 数值实验. 167
6.1.2 第二个ReLU 数值实验. 169
6.1.3 第三个实验——Sigmoid 171
6.2 Xavier 初始化. 172
6.3 MSRA 初始化. 178
6.3.1 前向推导 178
6.3.2 后向推导 181
6.4 ZCA 182
6.5 与数值溢出的战斗. 186
6.5.1 Softmax Layer 186
6.5.2 Sigmoid Cross Entropy Loss 189
6.6 总结. 192
6.7 参考文献. 192
7 网络结构193
7.1 关于网络结构，我们更关心什么 193
7.2 网络结构的演化 195
7.2.1 VGG：模型哲学. 195
7.2.2 GoogLeNet：丰富模型层的内部结构. 196
7.2.3 ResNet：从乘法模型到加法模型. 197
7.2.4 全连接层的没落. 198
7.3 Batch Normalization 199
7.3.1 Normalization 199
7.3.2 使用BN 层的实验. 200
7.3.3 BN 的实现. 201
7.4 对Dropout 的思考. 204
7.5 从迁移学习的角度观察网络功能 206
7.6 ResNet 的深入分析. 210
7.6.1 DSN 解决梯度消失问题 211
7.6.2 ResNet 网络的展开结构. 212
7.6.3 FractalNet 214
7.6.4 DenseNet 215
7.7 总结. 217
7.8 参考文献. 217
8 优化与训练219
8.1 梯度下降是一门手艺活儿. 219
8.1.1 什么是梯度下降法 219
8.1.2 优雅的步长. 220
8.2 路遥知马力：动量. 225
8.3 SGD 的变种算法 232
8.3.1 非凸函数 232
8.3.2 经典算法的弯道表现. 233
8.3.3 Adagrad 234
8.3.4 Rmsprop 235
8.3.5 AdaDelta 236
8.3.6 Adam 237
8.3.7 爬坡赛. 240
8.3.8 总结. 242
8.4 L1 正则的效果. 243
8.4.1 MNIST 的L1 正则实验. 244
8.4.2 次梯度下降法 246
8.5 寻找模型的弱点 251
8.5.1 泛化性实验. 252
8.5.2 精确性实验. 255
8.6 模型优化路径的可视化. 255
8.7 模型的过拟合. 260
8.7.1 过拟合方案. 261
8.7.2 SGD 与过拟合 263
8.7.3 对于深层模型泛化的猜想. 264
8.8 总结. 265
8.9 参考文献. 265
9 应用：图像的语意分割267
9.1 FCN 268
9.2 CRF 通俗非严谨的入门. 272
9.2.1 有向图与无向图模型. 272
9.2.2 Log-Linear Model 278
9.2.3 条件随机场. 280
9.3 Dense CRF 281
9.3.1 Dense CRF 是如何被演化出来的. 281
9.3.2 Dense CRF 的公式形式. 284
9.4 Mean Field 对Dense CRF 模型的化简 285
9.5 Dense CRF 的推断计算公式 288
9.5.1 Variational Inference 推导 289
9.5.2 进一步化简. 291
9.6 完整的模型：CRF as RNN 292
9.7 总结. 294
9.8 参考文献. 294
10 应用：图像生成295
10.1 VAE 295
10.1.1 生成式模型. 295
10.1.2 Variational Lower bound 296
10.1.3 Reparameterization Trick 298
10.1.4 Encoder 和Decoder 的计算公式. 299
10.1.5 实现. 300
10.1.6 MNIST 生成模型可视化 301
10.2 GAN 303
10.2.1 GAN 的概念. 303
10.2.2 GAN 的训练分析. 305
10.2.3 GAN 实战. 309
10.3 Info-GAN 314
10.3.1 互信息. 315
10.3.2 InfoGAN 模型 317
10.4 Wasserstein GAN 320
10.4.1 分布的重叠度 321
10.4.2 两种目标函数存在的问题. 323
10.4.3 Wasserstein 距离. 325
10.4.4 Wasserstein 距离的优势. 329
10.4.5 Wasserstein GAN 的实现 331
10.5 总结. 333
10.6 参考文献. 334
· · · · · · (收起)

用户评价

这本书的出版真的是对所有想入门深度学习的朋友的福音。我之前尝试过许多其他的教程，但总感觉它们要么过于理论化，要么就只关注代码实现，而忽略了背后的原理。这本书恰恰弥补了这一不足。它在讲解算法原理的同时，也会给出非常清晰的伪代码或者示例代码，让你能够快速地将理论付诸实践。我印象最深的是关于反向传播算法的讲解，作者通过一个非常直观的例子，将这个复杂的计算过程分解开来，让我能够一步步地理解梯度是如何计算和传递的。另外，书中对数据预处理和特征工程的讲解也相当到位，这对于实际应用来说至关重要。很多时候，模型的性能瓶颈不在于模型本身，而在于数据的质量。这本书在这方面给了我很多宝贵的指导。它不仅仅是一本技术书籍，更像是一位经验丰富的导师，在你学习的道路上指引方向，并且鼓励你不断探索。我非常推荐这本书给所有对深度学习感兴趣的人，尤其是那些希望深入理解其核心原理的读者。

坦白说，我不是深度学习领域的科班出身，之前对这个领域接触不多，也一直觉得它门槛很高。但是，这本书的出现，完全打消了我的顾虑。作者在写作的时候，似乎时刻都在考虑读者的感受，用最平实的语言，最生动的例子，把那些看似高深莫测的理论，变得通俗易懂。我特别欣赏它在讲解过程中，并没有回避一些关键的数学概念，但是又会用一种非常友好的方式来呈现，让你不会因为数学公式而产生抵触情绪。它更像是从“为什么”和“是什么”的角度出发，让你先理解概念的本质，然后再去深入探讨“如何”实现。而且，这本书的实操部分也做得非常出色，提供了很多可以直接运行的代码示例，让我能够在学习理论的同时，也能够动手实践，验证自己的理解。这是一种非常好的学习模式，理论与实践相结合，能够让你在不知不觉中就掌握了知识。看完这本书，我感觉自己对深度学习的理解，不再是停留在表面的概念，而是真正地“活”了起来。

最近终于把这本书通读了一遍，感觉收获太大了！老实说，我之前对深度学习一直抱有一种敬畏的态度，总觉得它是高不可攀的技术。但是这本书彻底颠覆了我的想法。作者用一种非常接地气的方式，把深度学习的各个方面都讲解得淋漓尽致。我尤其欣赏的是它循序渐进的编排方式，从最基本的概念，比如什么是神经网络，到各种经典的算法，比如卷积神经网络和循环神经网络，都讲解得非常透彻。而且，作者在讲解过程中，并没有一味地堆砌公式，而是更多地侧重于解释这些算法背后的原理和思想，这让我能够真正理解它们是如何工作的，而不是死记硬背。我最喜欢的部分是关于模型训练的部分，作者详细介绍了各种优化算法和正则化技术，以及如何评估模型的性能。这些内容对于初学者来说非常实用，能够帮助我们避免很多常见的错误。这本书的语言风格也很棒，既有学术的严谨性，又不失轻松活泼的幽默感，读起来一点都不累。看完之后，我感觉我对深度学习的理解上升了一个台阶，也更有信心去尝试一些实际的项目了。

这本书我真的超爱，虽然我还没来得及完全读完，但是光是前几章就已经让我对深度学习这个领域有了全新的认识。作者的讲解方式真的太棒了，一点都不枯燥，而且非常形象。我之前尝试过看一些其他的深度学习入门书籍，但是总是觉得要么太理论，要么就代码晦涩难懂，看得我头昏脑胀，最后都放弃了。但这本书不一样，它从最基础的概念讲起，就像在拉着你的手，一步一步地带你走进这个神奇的世界。那些复杂的公式和算法，在作者的笔下变得清晰易懂，我甚至觉得就像在听一个故事一样，不知不觉就吸收了知识。而且，书中穿插的一些小案例和比喻，让我能够快速理解抽象的概念，比如讲到神经网络的时候，作者用了一个非常巧妙的比喻，让我瞬间就明白了神经元之间的连接和信息传递的过程。我特别喜欢的是，这本书在讲解理论的同时，还会适当地穿插一些实际应用的例子，让我看到了深度学习在现实生活中到底能做什么，这极大地激发了我继续学习的动力。我迫不及待地想把剩下的章节都读完，感觉这本书一定会成为我的深度学习学习路上的得力助手。

这本书的结构设计堪称完美。我一直在寻找一本能够系统性地介绍深度学习的图书，并且能够帮助我理解不同模型之间的联系和演进。这本书就做到了。它从基础的感知机模型开始，逐步介绍了多层感知机、卷积神经网络、循环神经网络，以及更高级的Transformer模型。在介绍每个模型的时候，作者都会先回顾前一个模型的相关知识，然后在此基础上引出新模型的结构和特点。这种递进式的讲解方式，让我能够清晰地看到深度学习技术的发展脉络，理解它们是如何解决之前模型所存在的局限性的。此外，书中还穿插了大量的图示和流程图，这对于理解复杂的网络结构非常有帮助。我经常会一边看文字，一边对照图示，脑海中就会自然而然地形成一个清晰的模型画面。这本书的语言也非常简洁明了，没有过多冗余的解释，直击核心。它让我感觉像是在跟一个非常博学但又善于沟通的朋友交流，能够快速获取到自己想要的信息。

好书 , 通过这部书 我理解了各种神经网络的原理和本质.谢谢作者.

还是得一点基础才能领会，满书的代码看得脑瓜疼

好书 , 通过这部书 我理解了各种神经网络的原理和本质.谢谢作者.

还是得一点基础才能领会，满书的代码看得脑瓜疼

还是得一点基础才能领会，满书的代码看得脑瓜疼