薦書丨周志華力薦新書《解析深度學習:卷積神經網絡原理與視覺實踐》

2021-02-08 程序人生

點擊上方「程序人生」，選擇「置頂公眾號」

第一時間關注程序猿（媛）身邊的故事


周志華教授作序力薦！

展現深度學習特別是CNN從數據、模型到系統的全棧式開發過程和技巧

一流的深度學習入門實踐書！


卷積神經網絡乃機器學習領域中深度學習技術最著名內容之一。魏秀參博士在LAMDA 求學數年，對卷積神經網絡及其視覺應用頗有所長，博士未畢業即被曠視科技聘為南京研究院負責人，畢業之際將心得材料轉撰成書請愚致序。師生之誼，盛情難卻。


在國內計算機領域，寫書乃吃力不討好之事。且不論寫一本耐讀、令讀者每閱皆有所獲之書何等不易，更不消說眾口難調出一本令各型讀者皆贊之書何等無望，僅認真寫書所耗時間精力之巨、提職時不若期刊論文之效、收入不比同等精力兼差打工之得，已令人生畏，何況稍有不慎就有誤人子弟之嫌，令一線學者若不狠心苛己，實難著手。


然有志求學本領域之士漸增，母語優良讀物之不足實礙科學技術乃至產業發展。畢竟未必眾人皆慣閱外文書籍，亦未必盡能體會外文微妙表達變化之蘊義，更不消說母語閱讀對新入行者之輕快適意。愚曾自認四十不惑前學力不足立著，但國內科研水準日新月異，青年才俊茁然成長，以旺盛之精力分享所學，誠堪嘉勉。


市面上深度學習書籍已不少，但專門針對卷積神經網絡展開，側重實踐又不失論釋者尚不多見。本書基本覆蓋了卷積神經網絡實踐所涉之環節，作者交代的若干心得技巧亦可一觀，讀者在實踐中或有見益。望本書之出版能有助於讀者更好地了解和掌握卷積神經網絡，進一步促進深度學習技術之推廣。

周志華

2018 年10 月於南京

 

編輯推薦

《解析深度學習：卷積神經網絡原理與視覺實踐》是對治深度學習恐懼症的一劑良藥。作者魏秀參博士，畢業於著名的南京大學LAMDA研究所，現為曠視科技南京研究院負責人。本書凝聚了他多年的功力，集原理與實踐於一體，將卷積神經網絡這顆仙丹煉得出神入化，以此攻克計算機視覺實踐中的一個又一個難題。


全書沒有佶屈聱牙的文字、沒有艱澀難懂的術語，只有明明白白的道理、由淺入深的論證、清晰流暢的架構。在內容的安排上，兼顧了基礎知識和學習難點，各有側重，讓初學者不僅可以看明白、而且能夠讀懂，知其所以然並舉一反三運用到自己的工程實踐中。


無怪乎，業內專家認為「本書可能是我知道的「醉」好的深度學習的中文入門教材」。


 

作者簡介


魏秀參

曠視科技（Face++）南京研究院負責人。南京大學LAMDA研究所博士，主要研究領域為計算機視覺和機器學習。在相關領域重要國際期刊和國際會議發表論文十餘篇，並兩次獲得國際計算機視覺相關競賽冠、亞軍。曾獲CVPR 2017最佳審稿人、南京大學博士生校長特別獎學金等榮譽，擔任ICCV、CVPR、ECCV、NIPS、IJCAI、AAAI等國際會議PC member。（個人自媒體：知乎「魏秀參」，新浪微博「Wilson_NJUer」）




 大咖評論


卷積神經網絡作為最先落地的深度學習技術之一，已經被應用於手機、安防、自動駕駛等多個領域。本書作者結合在知名研究機構和獨角獸人工智慧企業的研發經歷，向讀者展現了深度學習特別是卷積神經網絡方面從數據、模型到系統的全棧式開發過程和技巧。

——劉國清，MINIEYE CEO


記得很早之前就看過魏博士的Tricks in Deep Neural Networks，受到了不少的啟發，讓我個人在實際應用中對深度學習的處理手段和思路變得更加的多樣和靈活。魏博士也非常活躍，樂於在社區和論壇分享他的知識，這點非常值得大家學習。本書匯聚了魏博士對深度學習在視覺實踐上的理解。

無論你是已經身處工業界的工程師還是在校的研究生，只要在做深度學習、卷積神經網絡和視覺應用，本書都非常值得一讀。

——羅韻，深圳極視角科技有限公司技術合伙人


過去6 年左右時間，深度學習不但改變了人工智慧、統計機器學習的整個科學研究的面貌，並且成功地在工業界產生很多顛覆性的應用。本書作為深度學習的入門教材, 在內容上涵蓋了深度學習基礎的方方面面：從基本概念一直到訓練模型的技巧。可貴的是，本書成功地把深度學習的相關數學概念解釋得通俗易懂。本書可能是我知道的最好的深度學習的中文入門教材。

——沈春華，澳大利亞阿德萊德大學計算機科學學院終身教授


深度學習是當下最流行、效果最好的機器學習方法之一，它將當前的很多感知算法（如計算機視覺、語音識別等）的效果提升了一大截，從而也催生了一大批新的人工智慧產業應用落地。本書以深度學習中應用最廣泛的卷積神經網絡為對象，以計算機視覺作為應用案例，是一本非常實用的起步教程。

——唐文斌，曠視科技聯合創始人兼CTO


秀參的這本《解析深度學習：卷積神經網絡原理與視覺實踐》從卷積神經網絡的基礎知識入手，搭配上計算機視覺領域的實操技巧，內容翔實、語言精煉、理論結合實踐，不僅適合深度學習領域剛入門的讀者參考學習，同時也可供相關領域從業工作者作為使用手冊常伴左右。

——吳甘沙，馭勢科技CEO、聯合創始人


如果要問用於圖像理解任務什麼模型最好，回答十有八九是深度神經網絡。市面上神經網絡、深度學習的書籍多關注神經網絡的原理介紹，但是對於初學者而言，更多的時候可能是頭痛於深度網絡實踐中面臨的種種「坑」，即容易被忽略卻時常起到關鍵作用的技巧。本書不僅有通俗易懂的相關原理介紹，還可以說是作者的「趟坑」經驗總結，對於初學者是難得的上手寶典。

——俞揚，南京大學副教授、全球AI’s 10 to Watch


掃碼即刻下單，或點擊文末「閱讀原文」


小福利

在本文下方留言，說說你想獲得此書的原因是什麼？有機會獲獎哦。（注意：理由不少於30字才能被選入精選參與抽獎哦~）


我們會從精選留言用戶中，按照其留言點讚數，抽取排名在第3、6、9名的3位幸運者，送出紙書一本。


開獎時間：11月27日當天（以小編當日看到時的名次順序為準，不接受抱怨，謝謝~）


相關焦點

  • 周志華作序!高徒魏秀參新書《解析深度學習》試讀(評論贈書)
    這次推薦的是南京大學周志華教授高徒、曠視南京研究院負責人魏秀參最新出版的《解析深度學習：卷積神經網絡原理與視覺實踐》。還等什麼，趕緊留言吧~「市面上深度學習書籍已不少，但專門針對卷積神經網絡展開，側重實踐又不失論釋者尚不多見。本書基本覆蓋了卷積神經網絡實踐所涉之環節，作者交代的若干心得技巧亦可一觀，讀者在實踐中或有見益。」
  • 贈書開獎|周志華作序,魏秀參《解析深度學習》紙質書與電子書資源
    ：卷積神經網絡原理與視覺實踐》，在文章底部留言深度學習或者卷積神經網絡遇到的難點，以及你對深度學習的見解，點讚前5位與一位最優質書評可獲贈由電子工業出版社出版的魏秀參博士所著《解析深度學習：卷積神經網絡原理與視覺實踐》。
  • 圖解:卷積神經網絡的數學原理分析
    數字圖像的數據結構  內核卷積不僅用於神經網絡，而且是許多其他計算機視覺算法的關鍵部分。在此過程中，我們使用形狀較小的矩陣（稱為核或過濾器），輸入圖像，然後根據過濾器的值變換圖像。隨後的特徵圖值根據以下公式計算，其中輸入圖像用f表示，我們的內核用h表示，結果矩陣的行和列的索引分別用m和n表示。
  • 典型的深度學習算法(一):卷積神經網絡(CNN)
    通過上一篇文章，相信大家對深度學習的概念、原理已經有了大致了解，近期企通查將會對深度學習中的幾種典型算法進行介紹。在深度學習領域中，已經驗證的典型成熟算法有卷積神經網絡（CNN）、循環神經網絡（RNN）、生成對抗網絡（GAN）、深度強化學習（DRL）等，下面企通查將帶領大家對典型的深度學習算法之一——卷積神經網絡（CNN）一探究竟。
  • 深度學習元老Yann Lecun詳解卷積神經網絡
    註：卷積神經網絡（Convolutional Neural Network）是一種前饋神經網絡，它的人工神經元可以響應一部分覆蓋範圍內的周圍單元，對於大型圖像處理有出色表現。早在20世紀80年代末，Yann LeCun就作為貝爾實驗室的研究員提出了卷積網絡技術，並展示如何使用它來大幅度提高手寫識別能力。上世紀末本世紀初，當神經網絡失寵時Yann LeCun是少數幾名一直堅持的科學家之一。他於2003年成為紐約大學教授，並從此引領了深度學習的發展，目前任職於Facebook FAIR實驗室。
  • 圖解:卷積神經網絡數學原理解析
    事實上，我們每天都在使用計算機視覺——當我們用面部解鎖手機或在社交媒體上發照片前使用自動修圖。卷積神經網絡可能是這一巨大成功背後最關鍵的構建模塊。這一次，我們將加深理解神經網絡如何工作於CNNs。出於建議，這篇文章將包括相當複雜的數學方程，如果你不習慣線性代數和微分，請不要氣餒。我的目標不是讓你們記住這些公式，而是讓你們對下面發生的事情有一個直觀的認識。
  • 【新書推薦】TensorFlow深度學習及實踐
    自從深度學習在語音識別和圖像識別任務中取得突破性成果後，使用深度學習的應用數量開始呈爆炸式增加。深度學習方法被大量應用在身份識別、無人駕駛、癌症檢測、遊戲AI等方面，甚至在許多領域，深度神經網絡的準確度已經超過人類自身的操作。深度學習的數學原理並不複雜，但它的一些設計思想很巧妙。入門深度學習，在數學方面只要知道如何對函數求導以及知道與矩陣相乘相關的知識即可。
  • 新書推薦:TensorFlow深度學習及實踐
    自從深度學習在語音識別和圖像識別任務中取得突破性成果後，使用深度學習的應用數量開始呈爆炸式增加。深度學習方法被大量應用在身份識別、無人駕駛、癌症檢測、遊戲AI等方面，甚至在許多領域，深度神經網絡的準確度已經超過人類自身的操作。深度學習的數學原理並不複雜，但它的一些設計思想很巧妙。入門深度學習，在數學方面只要知道如何對函數求導以及知道與矩陣相乘相關的知識即可。
  • 深度學習之卷積神經網絡經典模型
    隨著ReLU與dropout的提出，以及GPU帶來算力突破和網際網路時代大數據的爆發，卷積神經網絡帶來歷史的突破，AlexNet的提出讓深度學習走上人工智慧的最前端。圖像預處理AlexNet的訓練數據採用ImageNet的子集中的ILSVRC2010數據集，包含了1000類，共1.2百萬的訓練圖像，50000張驗證集，150000張測試集。
  • 深度學習基礎:一步一步講解卷積神經網絡
    導語卷積神經網絡（Convolutional Neural Networks, CNN）是一類包含卷積計算且具有深度結構的前饋神經網絡（Feedforward Neural Networks），是深度學習（deep learning）的代表算法之一。本文來源於吳恩達老師的深度學習課程[1]筆記部分。
  • ImageNet冠軍帶你入門計算機視覺:卷積神經網絡
    編輯｜Vincent，EmilyAI 前線導語： 在第一篇文章《ImageNet 冠軍帶你入門計算機視覺：監督學習與神經網絡的簡單實現》中，我們介紹了神經網絡的基本概念以及 Tensorflow 的基本用法。 本文為系列的第二篇文章，將會介紹卷積神經網絡。
  • 深度學習 | 第四門課:卷積神經網絡(Convolutional Neural Networks)
    隨著深度學習的發展，學習的其中一個目標就是去檢測出複雜圖像的邊緣。對於一個3×3的過濾器，可以把過濾器矩陣中的數字當成9個參數，使得反向傳播算法能夠讓神經網絡學習任何它所需要的3×3過濾器。將過濾器當成參數的思想，已經成為計算機視覺中最為有效的思想之一。過濾器f通常為奇數維，如：1×1/3×3/5×5等。
  • Women Who Code帶你探秘深度卷積神經網絡(DCNN)
    WWC將帶領你走進Deep Learning的世界，揭開深度卷積神經網絡（DCNN）的神秘面紗。    深度機器學習作為AI領域的一個重要分支，已經成為了AI的代名詞。DCNN是深度學習的關鍵技術，它通過模擬人腦進行分析學習，算法訓練時不用人工幹預。這十年中，網際網路巨頭和全球各個科研機構都投入了巨大的人力物力用於理論和工業級探索，AlphaGo圍棋之戰更是引燃了全球的熱情。
  • 使用OpenCV深度學習模塊在圖像分類下的應用實踐
    極市導讀：本文來自6月份出版的新書《OpenCV深度學習應用與性能優化實踐》，由Intel與阿里巴巴高級圖形圖像專家聯合撰寫，系統地介紹了OpenCV DNN 推理模塊原理和實踐。極市為大家爭取到5本贈書福利，詳見文末。深度學習理論的廣泛研究促進了其在不同場景的應用。
  • 深度 | 從AlexNet到殘差網絡,理解卷積神經網絡的不同架構
    網絡架構設計是一個複雜的過程，需要時間學習，需要更多時間去實驗。但是，首先我們需要全面地了解它：卷積神經網絡為什麼能夠打敗傳統的計算機視覺網絡？圖像分類任務需要把給定圖像分類成一種預定義類別。傳統的圖像分類流程包括兩個模塊：特徵提取和分類。
  • 對卷積神經網絡工作原理做一個直觀的解釋
    第二，神經網絡，是指利用一層層神經元構建成一個類似大腦結構的模型，從而自動實現端到端的學習。為什麼要用神經網絡？因為傳統計算機視覺，對圖像的理解非常重要，圖像的特徵有顏色特徵、幾何特徵、邊緣特徵、局部特徵、梯度特徵等等，光學這些就需要大量的時間，然後才能學習計算機視覺的一些方法和模型。
  • 了解卷積神經網絡的原理與基本結構
    卷積神經網絡與普通神經網絡的區別在於，卷積神經網絡包含了一個由卷積層和子採樣層構成的特徵抽取器。在卷積神經網絡的卷積層中，一個神經元只與部分鄰層神經元連接。在CNN的一個卷積層中，通常包含若干個特徵平面(featureMap)，每個特徵平面由一些矩形排列的的神經元組成，同一特徵平面的神經元共享權值，這裡共享的權值就是卷積核。卷積核一般以隨機小數矩陣的形式初始化，在網絡的訓練過程中卷積核將學習得到合理的權值。共享權值（卷積核）帶來的直接好處是減少網絡各層之間的連接，同時又降低了過擬合的風險。
  • 周志華:滿足這三大條件,可以考慮不用深度神經網絡
    AI科技大本營按：4 月 15 日舉辦的京東人工智慧創新峰會上，剛剛上任京東人工智慧南京分院學術總顧問的周志華教授做了《關於深度學習一點思考》的公開分享。 近年來，深度神經網絡在語音、圖像領域取得突出進展，以至於很多人將深度學習與深度神經網絡等同視之。
  • 計算機視覺:從入門到精通,極限剖析圖像識別學習算法
    本次課程將圍繞著計算機視覺中最常見的RCNN圖像識別算法進行極限剖析，從數學理論， 模型框架到實踐實操，讓你在短時間內從理論到實踐，掌握深度學習的基本知識和學習方法。· 目的：掌握神經網絡的基本原理，知其然亦知其所以然（從數學實踐到代碼的熟練和精通）; · 手段：科學的方法。
  • 詳解卷積神經網絡
    ，希望通過Image Caption Generation，一個有意思的具體任務，深入淺出地介紹深度學習的知識。本系列文章涉及到很多深度學習流行的模型，如CNN，RNN/LSTM，Attention等。本文為第6篇。文中所有標藍部分均可閱讀原文獲取詳情連結。接下來介紹一種非常重要的神經網絡——卷積神經網絡。這種神經網絡在計算機視覺領域取得了重大的成功，而且在自然語言處理等其它領域也有很好的應用。