导语

  

内容提要

  

    深度学习是人工智能与机器学习领域的重要研究分支，深度卷积神经网络是其核心内容之一。本书作为一本深度卷积神经网络方面的入门与提高书籍，目的是使读者通过学习了解和掌握卷积神经网络的理论基础与应用方法。全书共10章，分为三个部分：第1～3章为第一部分，主要介绍卷积神经网络基本理论；第4～5章为第二部分，概述卷积神经网络相关工具和框架；第三部分为第6～10章，介绍了数据集、数据处理及网络训练知识，最后给出了卷积神经网络的三个典型应用实例。
    本书可作为高等学校人工智能、计算机科学与技术、信息工程、自动化等专业高年级本科生或研究生深度学习相关课程的教材，也适合对卷积神经网络感兴趣的研究人员和工程技术人员参考阅读。

第1章  机器学习基础
  1.1  机器学习概述
    1.1.1  机器学习的概念
    1.1.2  机器学习的任务
    1.1.3  机器学习的发展简史
    1.1.4  机器学习的典型应用
  1.2  机器学习策略
    1.2.1  有监督学习
    1.2.2  无监督学习
    1.2.3  半监督学习
    1.2.4  强化学习
  1.3  模型评估与选择
    1.3.1  归纳偏好
    1.3.2  数据集划分
    1.3.3  性能度量
    1.3.4  过拟合和欠拟合
  1.4  神经网络与深度学习
    1.4.1  生物神经元
    1.4.2  人工神经网络
    1.4.3  深度学习
  1.5  本章小结
第2章  卷积神经网络基本原理
  2.1  卷积神经网络概述
    2.1.1  卷积神经网络的发展
    2.1.2  卷积神经网络的基本原理与组成
  2.2  卷积层
    2.2.1  基本卷积运算
    2.2.2  卷积神经网络中的卷积运算
    2.2.3  卷积的作用
    2.2.4  卷积层及参数
    2.2.5  特殊卷积
  2.3  激活层
    2.3.1  激活函数简述
    2.3.2  典型的激活函数
  2.4  池化层
    2.4.1  池化操作
    2.4.2  感受野
  2.5  全连接层
  2.6  目标函数
    2.6.1  常用的损失函数
    2.6.2  正则化项
  2.7  卷积神经网络的反向传播
    2.7.1  全连接层的反向传播
    2.7.2  池化层的反向传播
    2.7.3  卷积层的反向传播
    2.7.4  反向传播实例
  2.8  本章小结
第3章  典型卷积神经网络结构
  3.1  LeNet
    3.1.1  LeNet网络结构
    3.1.2  LeNet主要特点
  3.2  AlexNet
    3.2.1  AlexNet网络结构
    3.2.2  AlexNet主要特点
  3.3  VGGNet
    3.3.1  VGGNet网络结构
    3.3.2  VGGNet主要特点
  3.4  GoogLeNet
    3.4.1  Inception v1与Inception v2
    3.4.2  Inception v3
    3.4.3  Inception v4
  3.5  ResNet
    3.5.1  残差网络的动机
    3.5.2  ResNet网络结构
  3.6  其他网络结构
    3.6.1  DenseNet
    3.6.2  SPPNet
    3.6.3  SENet
    3.6.4  MobileNet
  3.7  本章小结
第4章  Python编程基础
  4.1  Python语言简介
    4.1.1  Python的发展简史
    4.1.2  Python的主要特点
    4.1.3  Python的主要应用领域
  4.2  Python编程环境搭建
    4.2.1  Windows下的安装
    4.2.2  Linux下的安装
  4.3  Python程序设计
    4.3.1  编程规范
    4.3.2  变量与数据类型
    4.3.3  运算符与表达式
    4.3.4  结构化程序设计
    4.3.5  函数与模块
    4.3.6  面向对象程序设计
  4.4  Python基础工具库
    4.4.1  NumPy
    4.4.2  Pandas
    4.4.3  Matplotlib
  4.5  本章小结
第5章  PyTorch基础
  5.1  常见的深度学习框架简介
    5.1.1  Caffe
    5.1.2  TensorFlow
    5.1.3  PyTorch
    5.1.4  其他框架
  5.2  PyTorch的下载与安装
    5.2.1  Linux下的安装
    5.2.2  Windows下的安装
  5.3  PyTorch中的Tensor
    5.3.1  Tensor的数据类型
    5.3.2  Tensor的基本操作
    5.3.3  Tensor的基本运算
    5.3.4  Tensor的数据结构
  5.4  自动求导
    5.4.1  计算图
    5.4.2  自动求导机制
  5.5  模型搭建和参数优化
    5.5.1  神经网络工具箱
    5.5.2  常用的神经网络层
    5.5.3  前馈神经网络搭建
    5.5.4  优化器
  5.6  PyTorch入门实战
    5.6.1  手写数字识别
    5.6.2  CIFAR-10数据分类
  5.7  本章小结
第6章  数据集与数据处理
  6.1  典型数据集及标注
    6.1.1  典型数据集
    6.1.2  数据标注
  6.2  数据预处理
    6.2.1  数据清洗
    6.2.2  数据采样
    6.2.3  数据标准化
    6.2.4  数据集划分
  6.3  数据增广
    6.3.1  几何变换
    6.3.2  颜色变换
    6.3.3  图像降质
  6.4  PyTorch数据集处理实例
    6.4.1  相关模块简介
    6.4.2  PyTorch自带数据集的使用
    6.4.3  Dataset类的继承
    6.4.4  一般数据集处理
  6.5  本章小结
第7章  卷积神经网络的训练
  7.1  网络超参数
    7.1.1  输入图像大小
    7.1.2  卷积层超参数
    7.1.3  池化层超参数
  7.2  网络的训练
    7.2.1  参数初始化
    7.2.2  网络优化算法与策略
    7.2.3  批量规一化
    7.2.4  学习率的设定
    7.2.5  训练数据置乱
  7.3  图像分类实例
    7.3.1  网络结构超参数比较
    7.3.2  不同优化算法比较
  7.4  迁移学习与网络微调
    7.4.1  迁移AlexNet到猫狗数据集实例
    7.4.2  迁移VGG-19到瓜子数据集实例
  7.5  本章小结
第8章  图像去噪
  8.1  图像去噪基础知识
    8.1.1  噪声模型
    8.1.2  传统图像去噪方法
    8.1.3  去噪算法设计与评价
  8.2  基于去噪自编码器的图像去噪
    8.2.1  自编码器简介
    8.2.2  MNIST数据集实验
    8.2.3  Waterloo数据集实验
  8.3  基于残差学习的图像去噪
    8.3.1  基本原理
    8.3.2  去噪实验
    8.3.3  非高斯噪声的去除
  8.4  本章小结
第9章  图像修复
  9.1  图像修复基础知识
    9.1.1  图像修复概念
    9.1.2  基于深度学习的图像修复方法
  9.2  基于DCGAN的图像修复
    9.2.1  生成式对抗网络
    9.2.2  手写体生成实例
    9.2.3  基于DCGAN的人脸修复
  9.3  基于Context-Encoder的图像修复
    9.3.1  Context-Encoder模型结构
    9.3.2  算法与实验
  9.4  本章小结
第10章  目标检测
  10.1  目标检测基础知识
    10.1.1  传统目标检测方法
    10.1.2  基于卷积神经网络的目标检测方法
    10.1.3  目标检测评价指标
    10.1.4  目标检测数据集
  10.2  两阶段目标检测网络
    10.2.1  R-CNN
    10.2.2  Fast R-CNN
    10.2.3  Faster R-CNN
  10.3  单阶段目标检测网络
    10.3.1  YOLO
    10.3.2  SSD
  10.4  MMDetection检测算法库
    10.4.1  MMDetection安装
    10.4.2  模型的测试
    10.4.3  模型的训练
    10.4.4  MMDetection算法配置文件解析
    10.4.5  使用自己的数据集
  10.5  本章小结
参考文献