深度学习:卷积神经网络算法原理与应用/王改华/普通高等教育新工科人才培养规划教材

前言 第1章 绪论 1．1 深度学习 1．1 概述 1．1．2 基本思想 1．1．3 基本分类 1．2 卷积神经网络技术的发展与应用 1．2．1 卷积神经网络的发展 1．2．2 卷积神经网络的应用 1．3 自编码器的发展及其应用 1．3．1 自编码器的发展 1．3．2 自编码器的应用 第2章 相关数学基础知识 2．1 矩阵 2．1．1 基本概念 2．1．2 矩阵运算 2．2 范数 2．2．1 范数的定义 2．2．2 范数的分类及性质 2．3 卷积运算 2．3．1 定义 2．3．2 多维数组的卷积 2．4 激活函数 2．4．1 线性激活函数 2．4．2 非线性激活函数 2．5 信息熵 2．5．1 定义 2．5．2 条件熵 2．5．3 相对熵 2．5．4 交叉熵 习题 第3章 神经网络 3．1 人工神经网络 3．1．1 人工神经元模型 3．1．2 人工神经网络结构 3．2 BP神经网络 3．2．1 原理 3．2．2 网络结构 3．2．3 BP神经算法原理 3．2．4 信号传递过程的实现 3．2．5 算法分析 习题 第4章 卷积神经网络 4．1 原理 4．1．1 动机 4．1．2 卷积神经网络特点 4．2 LeNet-5 4．2．1 网络总体结构 4．2．2 分层结构 4．3 反向传播 4．3．1 全连接的反向过程 4．3．2 卷积的反向过程 4．3．3 池化的反向过程 4．3．4 输出层反向传播 4．3．5 权值更新 习题 第5章 卷积神经网络扩展机制 5．1 注意力机制 5．1．1 注意机制的分类 5．1．2 深度学习中的注意机制 5．2 卷积变体 5．2．1 组卷积 5．2．2 深度可分离卷积 5．2．3 膨胀卷积 5．2．4 全卷积网络 习题 第6章 自编码器网络 6．1 相关概念 6．1．1 稀疏性 6．1．2 稀疏编码 6．2 自编码器概述 6．3 自编码器原理 6．4 自编码器的拓展网络 6．4．1 稀疏自编码 6．4．2 栈式自编码 6．4．3 去噪自编码 6．4．4 压缩自编码 6．5 自编码器的编程实现 习题 第7章 卷积神经网络的优化 7．1 正则化与归一化 7．1．1 概念 7．1．2 参数范数惩罚 7．1．3 Dropout 7．1．4 归一化 7．2 基于梯度的优化方法 7．2．1 基本算法 7．2．2 自适应学习率算法 习题 第8章 卷积神经网络的典型结构 8．1 概述 8．2 AlexNet网络 8．2．1 AlexNet基本框架 8．2．2 AlexNet数据处理 8．3 GoogLenet网络 8．3．1 背景 8．3．2．Inception Vl 8．3．3 InceptionV2与V3 8．3．4 Inception V4 8．3．5 Xception 8．4 ResNet网络结构 8．4．1 ResNet网络 8．4．2 ReSNeXt 8．5 ShuffleNet网络结构 8．5．1 网络简介 8．5．2 模型结构 8．5．3 ShuffleNet V2 8．6 DenseNet网络结构 8．6．1 Dense block 8．6．2 整体结构 8．7 数据集介绍 8．7．1 图像分类数据集 8．7．2 语义分割数据集 第9章 卷积神经网络的压缩 9．1 核的稀疏化 9．2 剪枝 9．2．1 剪枝的概念 9．2．2 剪枝的类型 9．3 模型量化 9．3．1 量化转换 9．3．2 向量化 9．4 模型蒸馏 参考文献 附录 BP神经网络实现人脸识别程序 自编码器程序 AlexNet程序 GoogLeNet程序 ResNeXt程序 DenseNet程序