我用夸克网盘分享了「解析深度学习：卷积神经网络原理与视觉实践.epub」，点击链接即可保存。打开「夸克APP」在线查看，支持多种文档格式转换。

内容简介

深度学习，特别是深度卷积神经网络是人工智能的重要分支领域，卷积神经网络技术也被广泛应用于各种现实场景，在许多问题上都取得了超越人类智能的结果。本书作为该领域的入门书籍，在内容上涵盖深度卷积神经网络的基础知识和实践应用两大方面。《解析深度学习：卷积神经网络原理与视觉实践》共14 章，分为三个部分：第一部分为绪论；第二部分 （第1～4 章）介绍卷积神经网络的基础知识、基本部件、经典结构和模型压缩等基础理论内容；第三部分（第5～14 章）介绍深度卷积神经网络自数据准备开始，到模型参数初始化、不同网络部件的选择、网络配置、网络模型训练、不平衡数据处理，最终到模型集成等实践应用技巧和经验。《解析深度学习：卷积神经网络原理与视觉实践》并不是一本编程类书籍，而是希望通过“基础知识”和“实践技巧”两方面使读者从更高维度了解、掌握并成功构建针对自身应用问题的深度卷积神经网络。 《解析深度学习：卷积神经网络原理与视觉实践》可作为深度学习和卷积神经网络爱好者的入门书籍，也可供没有机器学习背景但希望能快速掌握该方面知识并将其应用于实际问题的各行从业者阅读参考。

作者简介

魏秀参 旷视科技（Face++）南京研究院负责人。南京大学LAMDA研究所博士，主要研究领域为计算机视觉和机器学习。在相关领域重要国际期刊和国际会议发表论文十余篇，并两次获得国际计算机视觉相关竞赛冠、亚军。曾获CVPR 2017最佳审稿人、南京大学博士生校长特别奖学金等荣誉，担任ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI等国际会议PC member。（个人自媒体：知乎“魏秀参”，新浪微博“Wilson_NJUer”）

网友热评

iphyer: 作者开源了 PDF， 写得非常学术，所以这本书就是所谓的学院派代表作。如果你想上手一些项目，这本书不是你需要的；但是如果你想从更高的层次理解，这本书写得非常好。很多地方作者的物理直觉非常好，说起来我还是喜欢这种物理直觉解释派，比那些堆公式给结论的书有用多了。我们可能忘记所有，但是物理直觉永存。

图书目录

第一部分绪论1 0.1引言.2 0.2什么是深度学习3 0.3深度学习的前世今生.6 第二部分基础理论篇9 1卷积神经网络基础知识10 1.1发展历程11 1.2基本结构13 1.3前馈运算16 1.4反馈运算16 1.5小结.19 2卷积神经网络基本部件21 2.1“端到端”思想21 2.2网络符号定义.23 2.3卷积层.24 2.3.1什么是卷积24 2.3.2卷积操作的作用27 2.4汇合层.28 2.4.1什么是汇合29 2.4.2汇合操作的作用30 2.5激活函数31 2.6全连接层33 2.7目标函数34 2.8小结.34 3卷积神经网络经典结构35 3.1CNN网络结构中的重要概念.35 3.1.1感受野.35 3.1.2分布式表示37 3.1.3深度特征的层次性39 3.2经典网络案例分析.42 3.2.1Alex-Net网络模型.42 3.2.2VGG-Nets网络模型46 3.2.3Network-In-Network48 3.2.4残差网络模型.49 3.3小结.54 4卷积神经网络的压缩56 4.1低秩近似58 4.2剪枝与稀疏约束60 4.3参数量化64 4.4二值网络68 4.5知识蒸馏71 4.6紧凑的网络结构74 4.7小结.76 第三部分实践应用篇77 5数据扩充78 5.1简单的数据扩充方式.78 5.2特殊的数据扩充方式.80 5.2.1FancyPCA.80 5.2.2监督式数据扩充80 5.3小结.82 6数据预处理83 7网络参数初始化85 7.1全零初始化.86 7.2随机初始化.86 7.3其他初始化方法90 7.4小结.90 8激活函数91 8.1Sigmoid型函数.92 8.2tanh(x)型函数.93 8.3修正线性单元（ReLU）93 8.4LeakyReLU.94 8.5参数化ReLU95 8.6随机化ReLU97 8.7指数化线性单元（ELU）.98 8.8小结.99 9目标函数100 9.1分类任务的目标函数.100 9.1.1交叉熵损失函数101 9.1.2合页损失函数.101 9.1.3坡道损失函数.101 9.1.4大间隔交叉熵损失函数103 9.1.5中心损失函数.105 9.2回归任务的目标函数.107 9.2.1ℓ1损失函数108 9.2.2ℓ2损失函数108 9.2.3Tukey’sbiweight损失函数109 9.3其他任务的目标函数.109 9.4小结.111 10网络正则化113 10.1ℓ2正则化114 10.2ℓ1正则化115 10.3最大范数约束.115 10.4随机失活116 10.5验证集的使用.118 10.6小结.119 11超参数设定和网络训练120 11.1网络超参数设定120 11.1.1输入数据像素大小120 11.1.2卷积层参数的设定121 11.1.3汇合层参数的设定122 11.2训练技巧123 11.2.1训练数据随机打乱123 11.2.2学习率的设定.123 11.2.3批规范化操作.125 11.2.4网络模型优化算法选择127 11.2.5微调神经网络.132 11.3小结.133 12不平衡样本的处理135 12.1数据层面处理方法.136 12.1.1数据重采样136 12.1.2类别平衡采样.137 12.2算法层面处理方法.138 12.2.1代价敏感方法.139 12.2.2代价敏感法中权重的指定方式140 12.3小结.142 13模型集成方法143 13.1数据层面的集成方法.143 13.1.1测试阶段数据扩充143 13.1.2“简易集成”法144 13.2模型层面的集成方法.144 13.2.1单模型集成144 13.2.2多模型集成146 13.3小结.149 14深度学习开源工具简介151 14.1常用框架对比.151 14.2常用框架的各自特点.153 14.2.1Caffe153 14.2.2Deeplearning4j.153 14.2.3Keras154 14.2.4MXNet.155 14.2.5MatConvNet155 14.2.6TensorFlow.155 14.2.7Theano.156 14.2.8Torch157 A向量、矩阵及其基本运算158 B随机梯度下降162 C链式法则165 参考文献167 索引181