本書專注討論深度學習中應用非常廣泛的模型——卷積神經(jīng)網(wǎng)絡，該模型特別適用于圖像分類和識別、目標分割和檢測以及人工智能游戲方面，受眾對象包括計算機、自動化、信號處理、機電工程、應用數(shù)學等相關專業(yè)的研究生、教師以及算法工程師和科研工作者。本書的最大特色是對卷積神經(jīng)網(wǎng)絡進行由淺入深的分類描述，依次包括：現(xiàn)代雛形、突破模型、應變模型、加深模型、跨連模型、區(qū)域模型、分割模型、特殊模型、強化模型和頂尖成就。這種分類框架是在模型概述和預備知識的基礎上逐步展開的，既方便讀者入門學習，又有助于讀者深入鉆研。

目錄
 

前言
第1章　概述 1
1.1　深度學習的起源和發(fā)展 1
1.2　卷積神經(jīng)網(wǎng)絡的形成和演變 4
1.3　卷積神經(jīng)網(wǎng)絡的應用和影響 6
1.4　卷積神經(jīng)網(wǎng)絡的缺陷和視圖 9
1.5 卷積神經(jīng)網(wǎng)絡的GPU實現(xiàn)和cuDNN庫 10
1.6　卷積神經(jīng)網(wǎng)絡的平臺和工具 10
1.7　本書的內(nèi)容結構和案例數(shù)據(jù) 13
1.7.1　內(nèi)容結構 13
1.7.2　案例數(shù)據(jù) 15
第2章　預備知識 22
2.1　激活函數(shù) 22
2.2　矩陣運算 23
2.3　導數(shù)公式 24
2.4　梯度下降算法 25
2.5　反向傳播算法 26
2.5.1　通用反向傳播算法 27
2.5.2　逐層反向傳播算法 28
2.6　通用逼近定理 31
2.7　內(nèi)外卷積運算 31
2.8　膨脹卷積運算 32
2.9　上下采樣運算 33
2.10　卷積面計算 34
2.11　池化面計算 36
2.12　局部響應歸一化 36
2.13　權值偏置初始化 37
2.14　丟失輸出 37
2.15　丟失連接 38
2.16　隨機梯度下降算法 39
2.17　塊歸一化 39
2.18　動態(tài)規(guī)劃算法 40
第3章 卷積神經(jīng)網(wǎng)絡的現(xiàn)代雛形——LeNet 41
3.1　LeNet的原始模型 41
3.2　LeNet的標準模型 43
3.3　LeNet的學習算法 44
3.4　LeNet的Caffe代碼實現(xiàn)及說明 46
3.5　LeNet的手寫數(shù)字識別案例 54
3.6　LeNet的交通標志識別案例 58
3.6.1 交通標志數(shù)據(jù)集的格式轉換 58
3.6.2　交通標志的識別分類 60
3.7　LeNet的交通路網(wǎng)提取案例 63
3.7.1　交通路網(wǎng)的人工標注 64
3.7.2　交通路網(wǎng)的圖像塊分類 67
3.7.3 交通路網(wǎng)的圖像塊分類LeNet 69
3.7.4 交通路網(wǎng)的自動提取代碼及說明 71
3.7.5 交通路網(wǎng)的自動提取程序運行結果 75
第4章 卷積神經(jīng)網(wǎng)絡的突破模型 78
4.1　AlexNet的模型結構 78
4.2 AlexNet的Caffe代碼實現(xiàn)及說明 82
4.3 AlexNet的Caffe大規(guī)模圖像分類案例及演示效果 95
4.4 AlexNet的TensorFlow代碼實現(xiàn)及說明 97
4.5 AlexNet的TensorFlow大規(guī)模圖像分類案例及演示效果 103
4.6　AlexNet的改進模型ZFNet 107
第5章 卷積神經(jīng)網(wǎng)絡的應變模型 109
5.1　SPPNet的模型結構 109
5.2 SPPNet的Caffe代碼實現(xiàn)及說明 112
5.3 SPPNet的大規(guī)模圖像分類案例及演示效果 114
第6章 卷積神經(jīng)網(wǎng)絡的加深模型 118
6.1 結構加深的卷積網(wǎng)絡VGGNet 118
6.1.1　VGGNet的模型結構 118
6.1.2 VGGNet的TensorFlow代碼實現(xiàn)及說明 120
6.1.3 VGGNet的物體圖像分類案例 129
6.2 結構更深的卷積網(wǎng)絡GoogLeNet 130
6.2.1　GoogLeNet的模型結構 130
6.2.2 GoogLeNet的TensorFlow代碼實現(xiàn)及說明 136
6.2.3 GoogLeNet的鮮花圖像分類案例 149
第7章 卷積神經(jīng)網(wǎng)絡的跨連模型 154
7.1　快道網(wǎng)絡HighwayNet 154
7.2　殘差網(wǎng)絡ResNet 155
7.2.1　ResNet的模型結構 155
7.2.2 ResNet的Caffe代碼實現(xiàn)及說明 157
7.2.3 ResNet的大規(guī)模圖像分類案例 163
7.3　密連網(wǎng)絡DenseNet 169
7.3.1　DenseNet的模型結構 169
7.3.2 DenseNet的Caffe代碼實現(xiàn)及說明 171
7.3.3 DenseNet的物體圖像分類案例 174
7.4　拼接網(wǎng)絡CatNet 178
7.4.1　CatNet的模型結構 178
7.4.2 CatNet的Caffe代碼實現(xiàn)及說明 179
7.4.3 CatNet的人臉圖像性別分類案例 183
第8章 卷積神經(jīng)網(wǎng)絡的區(qū)域模型 190
8.1　區(qū)域卷積網(wǎng)絡R-CNN 190
8.2 快速區(qū)域卷積網(wǎng)絡Fast R-CNN 191
8.3 更快區(qū)域卷積網(wǎng)絡Faster R-CNN 193
8.3.1 Faster R-CNN的模型結構 193
8.3.2 Faster R-CNN的TensorFlow代碼實現(xiàn)及說明 196
8.3.3 Faster R-CNN的圖像目標檢測案例及演示效果 216
8.4　你只看一次網(wǎng)絡YOLO 220
8.4.1　YOLO的模型結構 220
8.4.2 YOLO的TensorFlow代碼實現(xiàn)及說明 226
8.4.3 YOLO的圖像目標檢測案例及演示效果 239
8.5　單次檢測器SSD 242
8.5.1　SSD的模型結構 242
8.5.2 SSD的TensorFlow代碼實現(xiàn)及說明 245
8.5.3 SSD的圖像目標檢測案例及演示效果 260
第9章 卷積神經(jīng)網(wǎng)絡的分割模型 266
9.1　全卷積網(wǎng)絡FCN 266
9.1.1　FCN的模型結構 266
9.1.2 FCN的Caffe代碼實現(xiàn)及說明 269
9.1.3 FCN的圖像語義和幾何分割案例 272
9.2 金字塔場景分析網(wǎng)絡PSPNet 277
9.2.1　PSPNet的模型結構 277
9.2.2 PSPNet的TensorFlow代碼實現(xiàn)及說明 282
9.2.3 PSPNet的圖像語義分割案例及演示效果 291
9.3 掩膜區(qū)域卷積網(wǎng)絡Mask R-CNN 294
9.3.1 Mask R-CNN的模型結構 294
9.3.2 Mask R-CNN的Keras和TensorFlow代碼實現(xiàn)及說明 297
9.3.3 Mask R-CNN的圖像實例分割案例及演示效果 318
第10章 卷積神經(jīng)網(wǎng)絡的特殊模型 325
10.1　孿生網(wǎng)絡SiameseNet 325
10.1.1 SiameseNet的模型結構 325
10.1.2 SiameseNet的Caffe代碼實現(xiàn)及說明 326
10.1.3 SiameseNet的手寫數(shù)字驗證案例 328
10.2　擠壓網(wǎng)絡SqueezeNet 331
10.2.1 SqueezeNet的模型結構 331
10.2.2 SqueezeNet的Caffe代碼實現(xiàn)及說明 334
10.2.3 SqueezeNet大規(guī)模圖像分類案例 337
10.3 深層卷積生成對抗網(wǎng)絡DCGAN 339
10.3.1 DCGAN的模型結構 339
10.3.2 DCGAN的TensorFlow代碼實現(xiàn)及說明 340
10.3.3 DCGAN的CelebA人臉圖像生成案例 345
10.4　網(wǎng)中網(wǎng)NIN 348
10.4.1　NIN的模型結構 348
10.4.2 NIN的Caffe代碼實現(xiàn)及說明 350
10.4.3 NIN大規(guī)模圖像分類案例 353
第11章 卷積神經(jīng)網(wǎng)絡的強化模型 356
11.1　強化學習的基本概念 356
11.2 深度強化學習網(wǎng)絡的學習算法 358
11.3 深度強化學習網(wǎng)絡的變種模型 359
11.4 深度強化學習網(wǎng)絡的Flappy Bird智能體案例 361
11.4.1 笨笨鳥網(wǎng)絡的開發(fā)環(huán)境和工具包 362
11.4.2 笨笨鳥網(wǎng)絡的代碼實現(xiàn)及說明 363
11.4.3 笨笨鳥網(wǎng)絡的學習訓練過程 367
11.4.4 笨笨鳥網(wǎng)絡的演示效果 370
第12章 卷積神經(jīng)網(wǎng)絡的頂尖成就——AlphaGo 371
12.1　人工智能棋類程序簡介 371
12.2　AlphaGo的設計原理 373
12.2.1　總體思路 373
12.2.2　訓練流程 374
12.2.3　搜索過程 377
12.3　AlphaGo Zero的新思想 380
12.4 仿效AlphaGo的圍棋程序案例MuGo 383
12.4.1　MuGo的開發(fā)環(huán)境 383
12.4.2 MuGo的代碼實現(xiàn)及說明 386
12.4.3 MuGo的學習訓練過程 401
12.4.4 MuGo的演示效果 403
附錄A　Caffe在Windows上的?安裝過程 406
附錄B　Caffe在Linux上的安裝?過程 409
附錄C　TensorFlow在Windows?上的安裝過程 412
附錄D　TensorFlow在Linux?上的安裝過程 414
參考文獻 416