解析深度学习:卷积神经网络原理与视觉实践

**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

3.1 CNN 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

3.2.1 Alex-Net 网络模型 . 42

3.2.2 VGG-Nets 网络模型 46

3.2.3 Network-In-Network 48

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

5.2.1 Fancy PCA . 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

8.1 Sigmoid 型函数 . 92

8.2 tanh(x) 型函数 . 93

8.3 修正线性单元（ReLU） 93

8.4 Leaky ReLU . 94

8.5 参数化ReLU 95

8.6 随机化ReLU 97

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

9.2.1 ?1 损失函数 108

9.2.2 ?2 损失函数 108

9.2.3 Tukey’s biweight 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

10.1 ?2 正则化 114

10.2 ?1 正则化 115

10.3 *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

14.2.1 Caffe 153

14.2.2 Deeplearning4j . 153

14.2.3 Keras 154

14.2.4 MXNet . 155

14.2.5 MatConvNet 155

14.2.6 TensorFlow . 155

14.2.7 Theano . 156

14.2.8 Torch 157

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