卷积神经网络的Python实现

版权信息 书名：卷积神经网络的Python实现 作者：单建华 ISBN：978-7-115-49756-7 本书由北京图灵文化发展有限公司发行数字版。版权所有，侵权必 究。 您购买的图灵电子书仅供您个人使用，未经授权，不得以任何方式复制 和传播本书内容。 我们愿意相信读者具有这样的良知和觉悟，与我们共同保护知识产权。 如果购买者有侵权行为，我们可能对该用户实施包括但不限于关闭该帐 号等维权措施，并可能追究法律责任。 091507240605ToBeReplacedWithUserId 前言 第一部分 模型篇 第 1 章 机器学习简介 1.1 引言 1.2 基本术语 1.3 重要概念 1.4 图像分类 1.5 MNIST数据集简介 第 2 章 线性分类器 2.1 线性模型 2.1.1 线性分类器 2.1.2 理解线性分类器 2.1.3 代码实现 2.2 softmax损失函数 2.2.1 损失函数的定义 2.2.2 概率解释 2.2.3 代码实现 2.3 优化 2.4 梯度下降法 2.4.1 梯度的解析意义 2.4.2 梯度的几何意义 2.4.3 梯度的物理意义 2.4.4 梯度下降法代码实现 2.5 牛顿法 2.6 机器学习模型统一结构 2.7 正则化 2.7.1 范数正则化 2.7.2 提前终止训练 2.7.3 概率的进一步解释 第 3 章 神经网络 3.1 数学模型 3.2 激活函数 3.3 代码实现 3.4 学习容量和正则化 3.5 生物神经科学基础 第 4 章 卷积神经网络的结构 4.1 概述 4.1.1 局部连接 4.1.2 参数共享 4.1.3 3D特征图 4.2 卷积层 4.2.1 卷积运算及代码实现 4.2.2 卷积层及代码初级实现 4.2.3 卷积层参数总结 4.2.4 用连接的观点看卷积层 4.2.5 使用矩阵乘法实现卷积层运算 4.2.6 批量数据的卷积层矩阵乘法的代码实现 4.3 池化层 4.3.1 概述 4.3.2 池化层代码实现 4.4 全连接层 4.4.1 全连接层转化成卷积层 4.4.2 全连接层代码实现 4.5 卷积网络的结构 4.5.1 层的组合模式 4.5.2 表示学习 4.6 卷积网络的神经科学基础 第二部分 优化篇 第 5 章 基于梯度下降法的最优化方法 5.1 随机梯度下降法SGD 5.2 基本动量法 5.3 Nesterov动量法 5.4 AdaGrad 5.5 RMSProp 5.6 Adam 5.7 AmsGrad 5.8 学习率退火 5.9 参数初始化 5.10 超参数调......