卷积神经网络的Python实现2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

卷积神经网络的Python实现PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一部分 模型篇2

第1章 机器学习简介2

1.1引言2

1.2基本术语3

1.3重要概念5

1.4图像分类12

1.5 MNIST数据集简介15

第2章 线性分类器17

2.1线性模型17

2.1.1线性分类器18

2.1.2理解线性分类器19

2.1.3代码实现21

2.2 softmax损失函数22

2.2.1损失函数的定义23

2.2.2概率解释24

2.2.3代码实现25

2.3优化26

2.4梯度下降法26

2.4.1梯度的解析意义27

2.4.2梯度的几何意义29

2.4.3梯度的物理意义29

2.4.4 梯度下降法代码实现29

2.5牛顿法30

2.6机器学习模型统一结构31

2.7正则化33

2.7.1范数正则化34

2.7.2提前终止训练37

2.7.3概率的进一步解释38

第3章 神经网络39

3.1数学模型39

3.2激活函数41

3.3代码实现44

3.4学习容量和正则化45

3.5生物神经科学基础48

第4章 卷积神经网络的结构50

4.1概述50

4.1.1局部连接51

4.1.2参数共享52

4.1.3 3D特征图52

4.2卷积层53

4.2.1卷积运算及代码实现54

4.2.2卷积层及代码初级实现57

4.2.3卷积层参数总结63

4.2.4用连接的观点看卷积层64

4.2.5使用矩阵乘法实现卷积层运算67

4.2.6批量数据的卷积层矩阵乘法的代码实现69

4.3池化层74

4.3.1概述74

4.3.2池化层代码实现76

4.4全连接层79

4.4.1全连接层转化成卷积层80

4.4.2全连接层代码实现82

4.5卷积网络的结构83

4.5.1层的组合模式83

4.5.2表示学习86

4.6卷积网络的神经科学基础87

第二部分 优化篇90

第5章 基于梯度下降法的最优化方法90

5.1随机梯度下降法SGD91

5.2基本动量法93

5.3 Nesterov动量法95

5.4 AdaGrad95

5.5 RMSProp97

5.6 Adam98

5.7 AmsGrad99

5.8学习率退火99

5.9参数初始化100

5.10超参数调优101

第6章 梯度反向传播算法104

6.1基本函数的梯度104

6.2链式法则105

6.3深度网络的误差反向传播算法107

6.4矩阵化109

6.5 softmax损失函数梯度计算111

6.6全连接层梯度反向传播112

6.7激活层梯度反向传播113

6.8卷积层梯度反向传播115

6.9最大值池化层梯度反向传播118

第三部分 实战篇124

第7章 训练前的准备124

7.1中心化和规范化124

7.1.1利用线性模型推导中心化125

7.1.2利用属性同等重要性推导规范化126

7.1.3中心化和规范化的几何意义128

7.2 PCA和白化128

7.2.1从去除线性相关性推导PCA129

7.2.2 PCA代码130

7.2.3 PCA降维131

7.2.4 PCA的几何意义133

7.2.5白化134

7.3卷积网络在进行图像分类时如何预处理135

7.4 BN136

7.4.1 BN前向计算136

7.4.2 BN层的位置137

7.4.3 BN层的理论解释138

7.4.4 BN层在实践中的注意事项139

7.4.5 BN层的梯度反向传播140

7.4.6 BN层的地位探讨141

7.4.7将BN层应用于卷积网络141

7.5数据扩增142

7.6梯度检查144

7.7初始损失值检查146

7.8过拟合微小数据子集146

7.9监测学习过程147

7.9.1损失值147

7.9.2训练集和验证集的准确率148

7.9.3参数更新比例149

第8章 神经网络实例150

8.1生成数据150

8.2数据预处理152

8.3网络模型153

8.4梯度检查156

8.5参数优化158

8.6训练网络159

8.7过拟合小数据集162

8.8超参数随机搜索162

8.9评估模型165

8.10程序组织结构165

8.11增加BN层167

8.12程序使用建议171

第9章 卷积神经网络实例172

9.1程序结构设计173

9.2激活函数173

9.3正则化174

9.4优化方法175

9.5卷积网络的基本模块176

9.6训练方法181

9.7 VGG网络结构186

9.8 MNIST数据集197

9.9梯度检测199

9.10 MNIST数据集的训练结果202

9.11程序使用建议205

第10章 卷积网络结构的发展206

10.1全局平均池化层206

10.2去掉池化层208

10.3网络向更深更宽发展面临的困难209

10.4 ResNet向更深发展的代表网络210

10.5 GoogLeNet向更宽发展的代表网络213

10.6轻量网络215

10.6.1 1 × 1深度维度卷积代码实现217

10.6.2 3×3逐特征图的卷积代码实现219

10.6.3逆残差模块的代码实现222

10.7注意机制网络SENet223