AllLink-Navi

深度学习 卷积神经网络从入门到精通 李玉鑑 2018 机械工业出版社 📘 前言与定位 《深度学习·卷积神经网络从入门到精通》（李玉鉴等，2018年，机械工业出版社）是一本系统介绍卷积神经网络（CNN）理论与实战的专业著作。本书为“智能系统与技术丛书”之一，共计973页，涵盖内容极为全面。适合的受众包括： 高校研究生与博士生 从事计算机视觉、模式识别、信号处理与自动控制等领域的教师与工程师 算法研发、图像理解及人工智能应用方向的科研工作者 其目标是让读者从基础理论入手，逐步掌握现代 CNN 的实现、优化与前沿拓展。 📚 内容架构概览 「第一部分：理论基础与动态图谱」 阐述 CNN 的基本组件，如卷积层（结合生物视觉机制）、池化层、激活函数（ReLU）、批量归一化、下采样与上采样等。书中以数学推导配图、代码示例等方式让读者理解基本原理。 「第二部分：经典模型剖析」 从神经认知机，LeNet，到 AlexNet、VGG、GoogleNet 等逐层引入模型设计，条理清晰： 「LeNet」 ：早期 CNN 经典结构，适合入门 「AlexNet」 ：采用 GPU 加速、ReLU 激活，2012 年 ILSVRC 成功一跃成名 「VGG」 和 「GoogleNet（Inception）」 ：强调网络深度与模块化设计 向 「ResNet」 、 「DenseNet」 过渡，重点分析残差连接、密集连接等技术创新 「第三部分：目标检测与语义分割」 通过 R-CNN 系列、Fast/Faster R-CNN、SSD、YOLO 等检测算法解析区域级模型结构；再引导读者理解 FCN、U-Net 等分割模型结构设计逻辑。 「第四部分：特殊与生成模型」 介绍 SiameseNet（孪生网络），用于度量学习；SqueezeNet 用于模型压缩；NIN（Network in Network）理论升级；GAN 与 DCGAN 的生成式学习等。 「第五部分：强化学习与顶级成果」 以 CNN 在智能游戏与 Alpha 系列算法中的应用为案例，展示其扩展边界。并提供 Tensorflow 安装指导与附录性参考资料。 🔍 教学设计与特色 「由浅入深，分类清晰」 书中采用分类框架：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割...

实用卷积神经网络 运用Python实现高级深度学习 模型 莫希特·赛瓦克(Mohit Sewak) 2019 📘 书籍概况 「书名」 ：实用卷积神经网络：运用Python实现高级深度学习模型 「作者」 ：莫希特·赛瓦克（Mohit Sewak）等 「译者」 ：王彩霞 「出版社」 ：机械工业出版社（2019年4月出版） 「ISBN」 ：9787111621966 「篇幅」 ：约56,000字 / 181页

卷积神经网络的Python实现 单建华 2019 一、导语：📢 深度学习入门者与科研者的优质之选 随着深度学习技术在图像识别、自然语言处理等领域的广泛应用，卷积神经网络（CNN）成为了研究和工业界的核心模型之一。本书由安徽工业大学单建华教授撰写，隶属“图灵原创”系列，面向 「零基础读者」 ，关注如何从头理解并手写实现卷积神经网络结构，为学习者提供了理论与实践兼具的学习内容。

TensorFlow 卷积神经网络实用指南(初译) 2020 一、书籍背景与编写动机 🎯 随着深度学习技术的高速发展，卷积神经网络已成为计算机视觉领域的核心算法。TensorFlow 作为当下最流行的开源深度学习框架，其 2.0 版本在易用性、函数式 API、分布式训练等方面均有重大改进。鉴于国内外同行在学习与应用 TensorFlow 2.0 时，常面临以下挑战：

TensorFlow 2.0卷积神经网络实战 王晓华 2020 📘 「《TensorFlow 2.0 卷积神经网络实战》」 —— 王晓华，清华大学出版社，2020年出版 一、背景与意义 🎯 在深度学习领域，卷积神经网络（CNN）已成为图像识别、目标检测、医学影像分析等任务的核心方法论。而TensorFlow作为Google开源、功能丰富的框架，自2019年底发布2.0版本后，其 「Eager Execution」 机制和优化后的Keras整合API，为开发者和研究者提供了更为直观、高效的实验环境 。