这书潜心探讨深度神经网络中运用十分普遍的实体模型——卷积神经网络，该实体模型非常适用图象归类和鉴别、总体目标切分和检验及其人工智能技术手机游戏层面，受众群体另一半包含电子计算机、自动化技术、信号分析、机电安装工程、应用数学等有关技术专业的硕士研究生、老师及其数据工程师和科学研究工作人员。这书的较大特点是对卷积神经网络开展循序渐进的归类叙述，先后包含：当代原型、攻克实体模型、应变力实体模型、加重实体模型、跨连实体模型、区域模型、切分实体模型、独特实体模型、加强实体模型和顶级贡献。这类归类架构是在实体模型简述和准备专业知识的基本上逐渐进行的，既便捷用户入门学习，又有利于用户深层次刻苦钻研。
目录
- 第1章 概述
- 1.1 深度学习的起源和发展
- 1.2 卷积神经网络的形成和演变
- 1.3 卷积神经网络的应用和影响
- 1.4 卷积神经网络的缺陷和视图
- 1.5 卷积神经网络的GPU实现和cuDNN库
- 1.6 卷积神经网络的平台和工具
- 1.7 本书的内容结构和案例数据
- 1.7.1 内容结构
- 1.7.2 案例数据
- 第2章 预备知识
- 2.1 激活函数
- 2.2 矩阵运算
- 2.3 导数公式
- 2.4 梯度下降算法
- 2.5 反向传播算法
- 2.5.1 通用反向传播算法
- 2.5.2 逐层反向传播算法
- 2.6 通用逼近定理
- 2.7 内外卷积运算
- 2.8 膨胀卷积运算
- 2.9 上下采样运算
- 2.10 卷积面计算
- 2.11 池化面计算
- 2.12 局部响应归一化
- 2.13 权值偏置初始化
- 2.14 丢失输出
- 2.15 丢失连接
- 2.16 随机梯度下降算法
- 2.17 块归一化
- 2.18 动态规划算法
- 第3章 卷积神经网络的现代雏形——LeNet
- 3.1 LeNet的原始模型
- 3.2 LeNet的标准模型
- 3.3 LeNet的学习算法
- 3.4 LeNet的Caffe代码实现及说明
- 3.5 LeNet的手写数字识别案例
- 3.6 LeNet的交通标志识别案例
- 3.6.1 交通标志数据集的格式转换
- 3.6.2 交通标志的识别分类
- 3.7 LeNet的交通路网提取案例
- 3.7.1 交通路网的人工标注
- 3.7.2 交通路网的图像块分类
- 3.7.3 交通路网的图像块分类LeNet
- 3.7.4 交通路网的自动提取代码及说明
- 3.7.5 交通路网的自动提取程序运行结果
- 第4章 卷积神经网络的突破模型
- 4.1 AlexNet的模型结构
- 4.2 AlexNet的Caffe代码实现及说明
- 4.3 AlexNet的Caffe大规模图像分类案例及演示效果
- 4.4 AlexNet的TensorFlow代码实现及说明
- 4.5 AlexNet的TensorFlow大规模图像分类案例及演示效果
- 4.6 AlexNet的改进模型ZFNet
- 第5章 卷积神经网络的应变模型
- 5.1 SPPNet的模型结构
- 5.2 SPPNet的Caffe代码实现及说明
- 5.3 SPPNet的大规模图像分类案例及演示效果
- 第6章 卷积神经网络的加深模型
- 6.1 结构加深的卷积网络VGGNet
- 6.1.1 VGGNet的模型结构
- 6.1.2 VGGNet的TensorFlow代码实现及说明
- 6.1.3 VGGNet的物体图像分类案例
- 6.2 结构更深的卷积网络GoogLeNet
- 6.2.1 GoogLeNet的模型结构
- 6.2.2 GoogLeNet的TensorFlow代码实现及说明
- 6.2.3 GoogLeNet的鲜花图像分类案例
- 第7章 卷积神经网络的跨连模型
- 7.1 快道网络HighwayNet
- 7.2 残差网络ResNet
- 7.2.2 ResNet的Caffe代码实现及说明
- 7.2.3 ResNet的大规模图像分类案例
- 7.3 密连网络DenseNet
- 7.3.2 DenseNet的Caffe代码实现及说明
- 7.3.3 DenseNet的物体图像分类案例
- 7.4 拼接网络CatNet
- 7.4.2 CatNet的Caffe代码实现及说明
- 7.4.3 CatNet的人脸图像性别分类案例
- 第8章 卷积神经网络的区域模型
- 8.1 区域卷积网络R-CNN
- 8.2 快速区域卷积网络Fast R-CNN
- 8.3 更快区域卷积网络Faster R-CNN
- 8.3.2 Faster R-CNN的TensorFlow代码实现及说明
- 8.3.3 Faster R-CNN的图像目标检测案例及演示效果
- 8.4 你只看一次网络YOLO
- 8.4.2 YOLO的TensorFlow代码实现及说明
- 8.4.3 YOLO的图像目标检测案例及演示效果
- 8.5 单次检测器SSD
- 8.5.2 SSD的TensorFlow代码实现及说明
- 8.5.3 SSD的图像目标检测案例及演示效果
- 第9章 卷积神经网络的分割模型
- 9.1 全卷积网络FCN
- 9.1.2 FCN的Caffe代码实现及说明
- 9.1.3 FCN的图像语义和几何分割案例
- 9.2 金字塔场景分析网络PSPNet
- 9.2.2 PSPNet的TensorFlow代码实现及说明
- 9.2.3 PSPNet的图像语义分割案例及演示效果
- 9.3 掩膜区域卷积网络Mask R-CNN
- 9.3.2 Mask R-CNN的Keras和TensorFlow代码实现及说明
- 9.3.3 Mask R-CNN的图像实例分割案例及演示效果
- 第10章 卷积神经网络的特殊模型
- 10.1 孪生网络SiameseNet
- 10.1.2 SiameseNet的Caffe代码实现及说明
- 10.1.3 SiameseNet的手写数字验证案例
- 10.2 挤压网络SqueezeNet
- 10.2.2 SqueezeNet的Caffe代码实现及说明
- 10.2.3 SqueezeNet大规模图像分类案例
- 10.3 深层卷积生成对抗网络DCGAN
- 10.3.2 DCGAN的TensorFlow代码实现及说明
- 10.3.3 DCGAN的CelebA人脸图像生成案例
- 10.4 网中网NIN
- 10.4.2 NIN的Caffe代码实现及说明
- 10.4.3 NIN大规模图像分类案例
- 第11章 卷积神经网络的强化模型
- 11.1 强化学习的基本概念
- 11.2 深度强化学习网络的学习算法
- 11.3 深度强化学习网络的变种模型
- 11.4 深度强化学习网络的Flappy Bird智能体案例
- 11.4.1 笨笨鸟网络的开发环境和工具包
- 11.4.2 笨笨鸟网络的代码实现及说明
- 11.4.3 笨笨鸟网络的学习训练过程
- 11.4.4 笨笨鸟网络的演示效果
- 第12章 卷积神经网络的顶尖成就——AlphaGo
- 12.1 人工智能棋类程序简介
- 12.2 AlphaGo的设计原理
- 12.2.1 总体思路
- 12.2.2 训练流程
- 12.2.3 搜索过程
- 12.3 AlphaGo Zero的新思想
- 12.4 仿效AlphaGo的围棋程序案例MuGo
- 12.4.1 MuGo的开发环境
- 12.4.2 MuGo的代码实现及说明
- 12.4.3 MuGo的学习训练过程
- 12.4.4 MuGo的演示效果
- 附录A Caffe在Windows上的安装过程
- 附录B Caffe在Linux上的安装过程
- 附录C TensorFlow在Windows上的安装过程
- 附录D TensorFlow在Linux上的安装过程
- 参考文献
