為了構建穩健的深度學習繫統，需要理解神經網絡的工作原理以及如何訓練CNN模型等知識。通過本書，你可以探索新開發的深度學習模型及其在各個領域的使用方法，以及基於應用領域的實現。 本書首先介紹構建模塊和神經網絡背後的數學知識，然後介紹CNN及其在計算機視覺領域的優選應用，以及在對像檢測和圖像分割中應用流行的CNN架構。還將介紹變分自編碼器和GAN，以及如何使用神經網絡來提取單詞的復雜向量表示。在繼續討論各種類型的循環網絡(如LSTM和GRU)之前，會介紹如何在沒有RNN的情況下使用注意力機制處理等

●譯者序前言作者簡介審校者簡介第一部分核心概念第1章神經網絡的具體細節21.1神經網絡的數學基礎21.1.1線性代數21.1.2概率介紹61.1.3微分學161.2神經網絡的簡單介紹181.2.181.2.2層的運算191.2.3神經網絡211.2.4激活函數221.2.5通用逼近定理251.3訓練神經網絡271.3.1梯度下降271.3.2代價函數281.3.3反向傳播301.3.4權重初始化321.3.5SGD改進331.4總結35第二部分計算機視覺第2章理解卷積網絡382.1理解CNN382.1.1卷積類型432.1.2提高CNN的效率462.1.3可視化CNN512.1.4CNN正則化542.2遷移學習介紹562.2.1使用PyTorch實現遷移學習572.2.2使用TensorFlow 2.0實現遷移學習622.3總結66第3章高級卷積網絡673.1AlexNet介紹673.2VGG介紹683.3理解殘差網絡703.4理解Inception網絡783.4.1Inception v1793.4.2Inception v2和v3803.4.3Inception v4和InceptionResNet813.5Xception介紹823.6MobileNet介紹833.7DenseNet介紹853.8神經架構搜索的工作原理873.9膠囊網絡介紹913.9.1卷積網絡的局限性913.9.2膠囊923.9.3膠囊網絡的結構943.10總結95第4章對像檢測與圖像分割964.1對像檢測介紹964.1.1對像檢測的方法964.1.2使用YOLO v3進行對像檢測984.1.3使用Faster RCNN進行對像檢測1044.2圖像分割介紹1104.2.1使用UNet進行語義分割1104.2.2使用Mask RCNN進行實例分割1124.3總結115第5章生成模型1165.1生成模型的直覺和證明1165.2VAE介紹1175.3GAN介紹1245.3.1訓練GAN1255.3.2實現GAN1285.3.3訓練GAN的缺陷1295.4GAN的類型1295.4.1DCGAN1305.4.2CGAN1355.4.3WGAN1375.4.4使用CycleGAN實現圖像到圖像的轉換1425.5藝術風格遷移介紹1505.6總結151第三部分自然語言和序列處理第6章語言建模1546.1理解ngram1546.2神經語言模型介紹1566.2.1神經概率語言模型1576.2.2word2vec1586.2.3GloVe模型1616.3實現語言模型1646.3.1訓練嵌入模型1646.3.2可視化嵌入向量1666.4總結169第7章理解RNN1707.1RNN介紹1707.2長短期記憶介紹1807.3門控介紹1877.4實現文本分類1897.5總結193第8章seq2seq模型和注意力機制1948.1seq2seq模型介紹1948.2使用注意力的seq2seq1968.2.1Bahdanau Attention1968.2.2Luong Attention1998.2.3一般注意力2008.2.4使用注意力實現seq2seq2018.3理解transformer2078.3.1transformer注意力2078.3.2transformer模型2108.3.3實現transformer2128.4transformer語言模型2198.4.1基於transformer的雙向編碼器表示2198.4.2transformerXL2248.4.3XLNet2278.4.4使用transformer語言模型生成文本2308.5總結231第四部分展望未來第9章新興的神經網絡設計2349.1GNN介紹2349.1.1循環GNN2369.1.2卷積圖神經網絡2389.1.3圖自編碼器2449.1.4神經圖學習2469.2記憶增強神經網絡介紹2519.2.1神經圖靈機2519.2.2MANN*2569.3總結257第學習2581學習介紹25810.1.1零樣本學習25910.1.2單樣本學習26010.測試26110.2基於學習26210.2.1為單樣本學習匹配網絡26310.2.2孿生網絡26410.2.3原型網絡26710.3基於學習26910.4總結274第11章自動駕駛汽車的深度學習27511.1自動駕駛汽車介紹27511.1.1自動駕駛汽車研究簡史27511.1.2自動化的級別27711.2自動駕駛汽車繫統的組件27811.2.1環境感知28011.2.2路徑規劃28211.33D數據處理介紹28211.4模仿駕駛策略28511.5ChauffeurNet駕駛策略29411.5.1輸入/輸出表示29411.5.2模型架構29611.5.3訓練29711.6總結300

本書集合了基於應用領域的高級深度學習的模型、方法和實現。本書分為四部分。第1部分介紹了深度學習的構建和神經網絡背後的數學知識。第二部分討論深度學習在計算機視覺領域的應用。第三部分闡述了自然語言和序列處理。講解了使用神經網絡提取復雜的單詞向量表示。討論了各種類型的循環網絡，如長短期記憶網絡和門控網絡。第四部分介紹一些雖然還沒有被廣泛采用但有前途的深度學習技術，包括如何在自動駕駛上應用深度學習。學完本書，讀者將掌握與深度學習相關的關鍵概念，學會如何使用TensorFlow和PyTorch實現相應的AI解決方案。