当前位置：

深度学习：卷积神经网络从入门到精通

作者：李玉鑑等

出版社：机械工业

出版年：2018年7月

ISBN：9787111602798

所属分类：历史文化

书刊介绍

《深度学习：卷积神经网络从入门到精通》内容简介

本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。
李玉鑑，北京工业大学教授．博士生导师。华中科技大学本科毕业，中国科学院数学研究所硕士毕业，中国科学院半导体研究所博士毕业，北京邮电大学博士后出站。曾在中国科学院生物物理所工作，对意识的本质问题关注过多年，并在《21世纪100个交叉科学难题》上发表《揭开意识的奧秘》一文，提出了解决意识问题的认知相对论纲领，对脑计划和类脑研究具有宏观指导意义。长期围绕人工智能的核心目标，在神经网络、自然语言处理、模式识别和机器学习等领域开展教学、科研工作．发表国内外期刊、会议论文数十篇，是本书的第一作者。

作品目录

前言
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
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
2.6、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
3.7、LeNet的交通路网提取案例
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
6.2、结构更深的卷积网络GoogLeNet
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
7.3、密连网络DenseNet
7.4、拼接网络CatNet
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
8.4、你只看一次网络YOLO
8.5、单次检测器SSD
第9章：卷积神经网络的分割模型
9.1、全卷积网络FCN
9.2、金字塔场景分析网络PSPNet
9.3、掩膜区域卷积网络Mask
R-CNN
第10章：卷积神经网络的特殊模型
10.1、孪生网络SiameseNet
10.2、挤压网络SqueezeNet
10.3、深层卷积生成对抗网络DCGAN
10.4、网中网NIN
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
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
12.3、AlphaGo
Zero的新思想
12.4、仿效AlphaGo的围棋程序案例MuGo
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