Deep Learning Literature
1
写在前面
2
ImageNet Classification with Deep Convolutional Neural Networks
2.1
Abstract(摘要)
2.2
Introduction(引言)
2.3
The Dataset（数据集）
2.4
The Architecture（架构）
2.4.1
ReLU Nonlinearity（ReLU非线性）
2.4.2
Training on Multiple GPUs（多GPU训练）
2.4.3
Local Response Normalization（局部响应归一化）
2.4.4
Overlapping Pooling（重叠池化）
2.4.5
Overall Architecture（整体架构）
2.5
Reducing Overfitting（减小过拟合）
2.5.1
Data Augmentation（数据增强）
2.5.2
Dropout
2.6
Details of learning（学习细节）
2.7
Results（结果）
2.7.1
Qualitative Evaluations（定性评估）
2.8
Discussion（探讨）
3
经典深度学习网络模型
3.1
LeNet-5
3.1.1
模型介绍
3.1.2
模型结构
3.1.3
模型特性
3.2
AlexNet
3.2.1
模型介绍
3.2.2
模型结构
3.2.3
模型特性
3.3
ZFNet
3.3.1
模型介绍
3.3.2
模型结构
3.3.3
模型特性
3.4
Network in Network
3.4.1
模型介绍
3.4.2
模型结构
3.4.3
模型特点
3.5
VGGNet
3.5.1
模型介绍
3.5.2
模型结构
3.5.3
模型特性
3.6
GoogLeNet
3.6.1
模型介绍
3.6.2
4.6.2 模型结构
3.6.3
模型特性
3.7
为什么现在的CNN模型都是在GoogleNet、VGGNet或者AlexNet上调整的？
4
VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
4.1
ABSTRACT（摘要）
4.2
INTRODUCTION（引言）
4.3
CONVNET CONFIGURATIONS（ConvNet配置）
4.3.1
ARCHITECTURE（网络结构）
4.3.2
CONFIGURATIONS（配置）
4.3.3
DISCUSSION（讨论）
4.4
CLASSIFICATION FRAMEWORK（分类框架）
4.4.1
TRAINING（训练）
4.4.2
TESTING（测试）
4.4.3
IMPLEMENTATION DETAILS（实现细节）
4.5
CLASSIFICATION EXPERIMENTS（分类实验）
4.5.1
SINGLE SCALE EVALUATION（单尺度评估）
4.5.2
MULTI-SCALE EVALUATION（多尺度评估）
4.5.3
MULTI-CROP EVALUATION（多裁剪图像评估）
4.5.4
CONVNET FUSION（卷积网络融合）
4.5.5
COMPARISON WITH THE STATE OF THE ART（与最新技术比较）
4.6
CONCLUSION（结论）
本论文由 bookdown 强力驱动
深度学习文档集
深度学习文档集
Deep Learning Book
贝塔
2020-04-06
第 1 章
写在前面
Life, thin and light-off time and time again
Frivolous tireless
生命，一次又一次轻薄过
轻狂不知疲倦