序
前?言
第1章?概述
1.1?身邊的人工智能
1.2?人工智能、機器學(xué)習(xí)、大數(shù)據(jù)、深度學(xué)習(xí)
1.3?人工智能的發(fā)展
1.4?學(xué)習(xí)建議
1.5?發(fā)展歷史
1.6?高性能計算力
1.7?軍事領(lǐng)域應(yīng)用場景
1.8?本章小結(jié)
第2章?機器學(xué)習(xí)基礎(chǔ)
2.1?機器學(xué)習(xí)的主要分類
2.2?基本概念
2.3?梯度下降算法
2.4?分類器的數(shù)學(xué)表示
2.5?線性分類器的訓(xùn)練
2.6?回歸問題的數(shù)學(xué)表示
2.7?本章小結(jié)
第3章?深層神經(jīng)網(wǎng)絡(luò)
3.1?引入
3.2?常見的深層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.3?圖解神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.4?神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
3.5?激活函數(shù)：從線性到非線性
3.6?損失函數(shù)
3.7?優(yōu)化算法
3.8?過擬合與正則化
3.9?本章小結(jié)
第4章?圖像處理與特征工程
4.1?圖像的表示形式
4.2?卷積與互相關(guān)
4.3?卷積提取圖像特征
4.4?特征提�。簭奶卣髟O(shè)計到特征學(xué)習(xí)
4.5?方向梯度直方圖
4.6?本章小結(jié)
第5章?卷積神經(jīng)網(wǎng)絡(luò)
5.1?視覺系統(tǒng)的啟發(fā)
5.2?CNN設(shè)計思路剖析
5.3?卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)
5.4?卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
5.5?與傳統(tǒng)圖像識別框架對比分析
5.6?本章小結(jié)
第6章?經(jīng)典CNN模型（AlexNet、ZFNet、VGGNet）
6.1?CNN模型在CV領(lǐng)域的發(fā)展歷程
6.2?感受野
6.3?一般架構(gòu)
6.4?LeNet結(jié)構(gòu)
6.5?AlexNet結(jié)構(gòu)
6.6?ZFNet結(jié)構(gòu)
6.7?NIN結(jié)構(gòu)
6.8?VGGNet結(jié)構(gòu)
6.9?深度回顧
第7章?經(jīng)典CNN模型（Inception系列2014—2016）
7.1?啟發(fā)
7.2?GoogLeNet（Inception-V1）分析
7.3?Inception-V2分析
7.4?Inception-V3分析
7.5?Inception-V4分析
第8章?ResNet
8.1?深層網(wǎng)絡(luò)的退化問題
8.2?殘差學(xué)習(xí)
8.3?ResNet結(jié)構(gòu)
8.4?訓(xùn)練分析
8.5?主要改進思路
8.6?Inception ResNet
8.7?ResNeXt
8.8?Xception
8.9?DenseNet
8.10?VoVNet
第9章?SENet、SKNet中的可用模塊
9.1?SENet
9.2?SKNet
9.3?GCNet
9.4?CBAM
第10章?DCN
10.1?提出動機
10.2?基本思想
第11章?移動端之SqueezeNet
11.1?概述
11.2?SqueezeNet網(wǎng)絡(luò)結(jié)構(gòu)
第12章?MobileNet系列
12.1?MobileNet V1
12.2?MobileNet V2
12.3?網(wǎng)絡(luò)結(jié)構(gòu)
12.4?性能分析
12.5?總結(jié)分析
第13章?ShuffleNet系列
13.1?ShuffleNet V1
13.2?ShuffleNet V2
第14章?網(wǎng)絡(luò)結(jié)構(gòu)綜合應(yīng)用
14.1?深度學(xué)習(xí)模型架構(gòu)
14.2?深度學(xué)習(xí)原理探究
14.3?1×1卷積深度理解
14.4?網(wǎng)絡(luò)調(diào)優(yōu)
參考文獻
術(shù)語表