导语

  

内容提要

  

    叶韵编著的《深度学习与计算机视觉(算法原理框架应用与代码实现)》全面介绍了深度学习及计算机视觉中最基础的知识，并结合最常见的应用场景和大量实例，带领读者进入丰富多彩的计算机视觉领域。作为一本“原理+实践”教程，本书在讲解原理的基础上，通过有趣的实例带领读者一步步亲自动手，不断提高动手能力，而不是枯燥和深奥原理的堆砌。
    全书共13章，分为2篇。第1篇基础知识，介绍了人工智能发展历程、计算机视觉概要、深度学习和计算机视觉中的基础数学知识、神经网络及其相关的机器学习基础、卷积神经网络及其一些常见结构，最后对最前沿的趋势进行了简单探讨。第2篇实例精讲，介绍了Python基础、OpneCV基础、最简单的分类神经网络、图像识别、利用Caffe做回归、迁移学习和模型微调、目标检测、度量学习和图像风格迁移等常见的计算机视觉应用场景。本书从第5章开始包含很多有趣和实用的代码示例。从第7章开始的所有实例都基于当前流行的深度学习框架Caffe和MXNet，其中包含作者原创的大量代码和搜集的数据，这些代码和作者训练好的部分模型已分享到本书github页面上供读者自行下载。
    本书适合对人工智能、机器学习、深度学习和计算机视觉感兴趣的读者阅读。阅读本书要求读者具备一定的数学基础和基本的编程能力，并需要读者了解Linux的基本使用。

    叶韵，2007年7月毕业于北京大学信息科学技术学院，获学士学位。2011年4月获得了美国亚利桑那州立大学的电气工程博士学位。拥有超过5年的机器学习研发经验。目前在京东专注于深度学习和计算机视觉算法的研发。加入京东前，曾先后在ProPlus DesignSolutions硅谷和北京研发中心任职研发经理，负责统计建模和机器学习算法的研发。后加入西门子中国研究院担任研究员，专注于计算影像和计算机视觉的研究。

序言
前言
第1篇  基础知识
  第1章  引言
    1.1  人工智能的新焦点——深度学习
      1.1.1  人工智能——神话传说到影视漫画
      1.1.2  人工智能的诞生
      1.1.3  神经科学的研究
      1.1.4  人工神经网络的兴起
      1.1.5  神经网络的第一次寒冬
      1.1.6  神经网络的第一次复兴
      1.1.7  神经网络的第二次寒冬
      1.1.8  2006年——深度学习的起点
      1.1.9  生活中的深度学习
      1.1.10  常见深度学习框架简介
    1.2  给计算机一双眼睛——计算机视觉
      1.2.1  计算机视觉简史
      1.2.2  2012年——计算机视觉的新起点
      1.2.3  计算机视觉的应用
      1.2.4  常见计算机视觉工具包
    1.3  基于深度学习的计算机视觉
      1.3.1  从ImageNet竞赛到AlphaGo战胜李世石——计算机视觉超越人类
      1.3.2  GPU和并行技术——深度学习和计算视觉发展的加速器
      1.3.3  基于卷积神经网络的计算机视觉应用
  第2章  深度学习和计算机视觉中的基础数学知识
    2.1  线性变换和非线性变换
      2.1.1  线性变换的定义
      2.1.2  高中教科书中的小例子
      2.1.3  点积和投影
      2.1.4  矩阵乘法的几何意义（1）
      2.1.5  本征向量和本征值
      2.1.6  矩阵乘法的几何意义（2）
      2.1.7  奇异值分解
      2.1.8  线性可分性和维度
      2.1.9  非线性变换
    2.2  概率论及相关基础知识
      2.2.1  条件概率和独立
      2.2.2  期望值、方差和协方差
      2.2.3  熵
      2.2.4  最大似然估计（Maximum Likelihood Estimation，MLE）
      2.2.5  KL散度（Kullback–Leibler divergence）
      2.2.6  KL散度和MLE的联系
    2.3  维度的诅咒
      2.3.1  采样和维度
      2.3.2  高维空间中的体积
      2.3.3  高维空间中的距离
      2.3.4  中心极限定理和高维样本距离分布的近似54
      2.3.5  数据实际的维度
      2.3.6  局部泛化
      2.3.7  函数对实际维度的影响
      2.3.8  PCA——什么是主成分
      2.3.9  PCA——通过本征向量和本征值求主成分
      2.3.10  PCA——通过主成分分析降维
      2.3.11  PCA——归一化和相关性系数
      2.3.12  PCA——什么样的数据适合PCA
      2.3.13  其他降维手段
    2.4  卷积
      2.4.1  点积和卷积
      2.4.2  一维卷积
      2.4.3  卷积和互相关
      2.4.4  二维卷积和图像响应
      2.4.5  卷积的计算
    2.5  数学优化基础
      2.5.1  最小值和梯度下降
      2.5.2  冲量（Momentum）
      2.5.3  牛顿法
      2.5.4  学习率和自适应步长
      2.5.5  学习率衰减（Learning Rate Decay）
      2.5.6  AdaGrad：每个变量有自己的节奏
      2.5.7  AdaDelta的进一步改进
      2.5.8  其他自适应算法
      2.5.9  损失函数
      2.5.10  分类问题和负对数似然
      2.5.11  逻辑回归
      2.5.12  Softmax：将输出转换为概率
      2.5.13  链式求导法则
第2篇  实例精讲