深度學習：卷積神經網絡從入門到精通（簡體書）

卷積神經網絡是深度學習中為重要的模型，對引領深度學習的井噴式發展起到了不可或缺的作用。本書試圖全面介紹卷積神經網絡的模型和方法，詳細討論了其現代雛形、突破模型、加深模型、應變模型、跨連模型、區域模型、分割模型、特殊模型和強化模型，後是其成就AlphaGo。為了輔助讀者理解有關內容，本書還結合應用案例分析了很多具體模型的代碼實現及演示效果。

李玉鑑，北京工業大學教授，博士生導師。長期圍繞人工智能的核心目標，在神經網絡、自然語言處理、模式識別和機器學習等領域開展教學、科研工作，發表國內外期刊、會議論文數十篇。

CONTENTS
目 錄
前言
第1章　概述 1
1.1　深度學習的起源和發展 1
1.2　卷積神經網絡的形成和演變 4
1.3　卷積神經網絡的應用和影響 6
1.4　卷積神經網絡的缺陷和視圖 9
1.5卷積神經網絡的GPU實現和cuDNN庫 10
1.6　卷積神經網絡的平臺和工具 10
1.7　本書的內容結構和案例數據 13
1.7.1　內容結構 13
1.7.2　案例數據 15
第2章　預備知識 22
2.1　激活函數 22
2.2　矩陣運算 23
2.3　導數公式 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　內外卷積運算 31
2.8　膨脹卷積運算 32
2.9　上下採樣運算 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　動態規劃算法 40
第3章卷積神經網絡的現代雛形――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代碼實現及說明 46
3.5　LeNet的手寫數字識別案例 54
3.6　LeNet的交通標誌識別案例 58
3.6.1交通標誌數據集的格式轉換 58
3.6.2　交通標誌的識別分類 60
3.7　LeNet的交通路網提取案例 63
3.7.1　交通路網的人工標注 64
3.7.2　交通路網的圖像塊分類 67
3.7.3交通路網的圖像塊分類LeNet 69
3.7.4交通路網的自動提取代碼及說明 71
3.7.5交通路網的自動提取程序運行結果 75
第4章卷積神經網絡的突破模型 78
4.1　AlexNet的模型結構 78
4.2AlexNet的Caffe代碼實現及說明 82
4.3AlexNet的Caffe大規模圖像分類案例及演示效果 95
4.4AlexNet的TensorFlow代碼實現及說明 97
4.5AlexNet的TensorFlow大規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章卷積神經網絡的應變模型 109
5.1　SPPNet的模型結構 109
5.2SPPNet的Caffe代碼實現及說明 112
5.3SPPNet的大規模圖像分類案例及演示效果 114
第6章卷積神經網絡的加深模型 118
6.1結構加深的卷積網絡VGGNet 118
6.1.1　VGGNet的模型結構 118
6.1.2VGGNet的TensorFlow代碼實現及說明 120
6.1.3VGGNet的物體圖像分類案例 129
6.2結構更深的卷積網絡GoogLeNet 130
6.2.1　GoogLeNet的模型結構 130
6.2.2GoogLeNet的TensorFlow代碼實現及說明 136
6.2.3GoogLeNet的鮮花圖像分類案例 149
第7章卷積神經網絡的跨連模型 154
7.1　快道網絡HighwayNet 154
7.2　殘差網絡ResNet 155
7.2.1　ResNet的模型結構 155
7.2.2ResNet的Caffe代碼實現及說明 157
7.2.3ResNet的大規模圖像分類案例 163
7.3　密連網絡DenseNet 169
7.3.1　DenseNet的模型結構 169
7.3.2DenseNet的Caffe代碼實現及說明 171
7.3.3DenseNet的物體圖像分類案例 174
7.4　拼接網絡CatNet 178
7.4.1　CatNet的模型結構 178
7.4.2CatNet的Caffe代碼實現及說明 179
7.4.3CatNet的人臉圖像性別分類案例 183
第8章卷積神經網絡的區域模型 190
8.1　區域卷積網絡R-CNN 190
8.2快速區域卷積網絡Fast R-CNN 191
8.3更快區域卷積網絡Faster R-CNN 193
8.3.1Faster R-CNN的模型結構 193
8.3.2Faster R-CNN的TensorFlow代碼實現及說明 196
8.3.3Faster R-CNN的圖像目標檢測案例及演示效果 216
8.4　你只看一次網絡YOLO 220
8.4.1　YOLO的模型結構 220
8.4.2YOLO的TensorFlow代碼實現及說明 226
8.4.3YOLO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
8.5.2SSD的TensorFlow代碼實現及說明 245
8.5.3SSD的圖像目標檢測案例及演示效果 260
第9章卷積神經網絡的分割模型 266
9.1　全卷積網絡FCN 266
9.1.1　FCN的模型結構 266
9.1.2FCN的Caffe代碼實現及說明 269
9.1.3FCN的圖像語義和幾何分割案例 272
9.2金字塔場景分析網絡PSPNet 277
9.2.1　PSPNet的模型結構 277
9.2.2PSPNet的TensorFlow代碼實現及說明 282
9.2.3PSPNet的圖像語義分割案例及演示效果 291
9.3掩膜區域卷積網絡Mask R-CNN 294
9.3.1Mask R-CNN的模型結構 294
9.3.2Mask R-CNN的Keras和TensorFlow代碼實現及說明 297
9.3.3Mask R-CNN的圖像實例分割案例及演示效果 318
第10章卷積神經網絡的特殊模型 325
10.1　孿生網絡SiameseNet 325
10.1.1SiameseNet的模型結構 325
10.1.2SiameseNet的Caffe代碼實現及說明 326
10.1.3SiameseNet的手寫數字驗證案例 328
10.2　擠壓網絡SqueezeNet 331
10.2.1SqueezeNet的模型結構 331
10.2.2SqueezeNet的Caffe代碼實現及說明 334
10.2.3SqueezeNet大規模圖像分類案例 337
10.3深層卷積生成對抗網絡DCGAN 339
10.3.1DCGAN的模型結構 339
10.3.2DCGAN的TensorFlow代碼實現及說明 340
10.3.3DCGAN的CelebA人臉圖像生成案例 345
10.4　網中網NIN 348
10.4.