"《深度學習理論及實戰（MATLAB版）》力圖做到深入淺出，盡量用通俗易懂的語言、實用生動的案例把理論與方法講清楚、說明白。“深度卷積神經網絡”是模仿大腦工作機理的一種智能繫統，書中以“繫統角度”→“數學角度”→“仿生角度”為主線，對相關知識進行講解。《深度學習理論及實戰（MATLAB版）》添加了“溫馨提示”“經驗分享”“心得分享”等版塊，且對書中講解的30個程序都做了詳細的注釋，對操作中可能存在的問題也一一進行了提示。通過本書傳遞作者“授人以漁”和“持續學習”的人生態度，更加注重對方法、過等

●第1章從“機器學習”講起
1.1走近“機器學習”
1.1.1什麼是“機器學習”
1.1.2機器學習的主要任務
1.1.3機器學習的分類
1.1.4什麼是“深度學習”
1.1.5機器學習的應用舉例
擴展閱讀： 對“人工智能”的理解
1.2解讀“機器學習的過程”
1.2.1機器學習的過程
1.2.2機器學習中的數據集
1.2.3過擬合與欠擬合
心得分享： “機器學習”與“雕刻時光”
1.3典型的機器學習算法——SVM
1.3.1從“最走心”的國界線說起
1.3.2“支持向量機”名字的由來
1.3.3SVM分類器的形式
1.3.4如何找到很好分類線
1.3.5基於SVM的多分類問題
1.4思考與練習
第2章解析“人工神經網絡”
2.——人工神經網絡的基礎
2.1.1生
2.1.2人
2.1.3激活函數
2.2神經網絡的結構及工作原理
2.2.1神經網絡的結構組成
2.2.2神經網絡的工作原理
2.2.3一些常見的概念
擴展閱讀： 人工神經網絡發展簡史
2.3從數學角度來認識神經網絡
2.3.1本書中采用的符號及含義
2.3.的激活
2.3.3神經網絡的學習
2.3.4尋找損失函數最小值——梯度下降法
2.3.5誤差反向傳播
2.3.6基於誤差反向傳播的參數更新流程
2.4如何基於神經網絡進行分類
2.4.1基於神經網絡實現二分類
2.4.2基於神經網絡實現多分類
擴展閱讀： 交叉熵
2.5思考與練習
第3章探索“卷積神經網絡”
3.1深入淺出話“卷積”
3.1.1卷積的運算過程
3.1.2卷積核對輸出結果的影響
3.1.3卷積運算在圖像特征提取中的應用
擴展閱讀： 數字圖像處理的基礎知識
編程體驗1： 讀入一幅數字圖像並顯示
編程體驗2： 基於MATLAB實現二維圖像的滑動卷積
3.2解析“卷積神經網絡”
3.2.1從 ImageNet 挑戰賽說起
3.2.2卷積神經網絡的結構
3.2.3卷積層的工作原理
3.2.4非線性激活函數的工作原理
3.2.5池化層的工作原理
3.2.6卷積神經網絡與全連接神經網絡的區別
3.2.7從仿生學角度看卷積神經網絡
擴展閱讀： 創建ImageNet挑戰賽初衷
3.3從數學的角度看卷積神經網絡
3.3.1本書中采用的符號及含義
3.3.2從數學角度看卷積神經網絡的工作過程
3.3.3如何求代價函數
3.3.4采用誤差反向傳播法確定卷積神經網絡的參數
3.4認識經典的“卷積神經網絡”
3.4.1解析LeNet5卷積神經網絡
3.4.2具有裡程碑意義的AlexNet
3.4.3VGG-16卷積神經網絡的結構和參數
3.4.4卷積神經網絡為何會迅猛發展
3.5思考與練習
第4章基於MATLAB深度學習工具箱的實現與調試
4.1構造一個用於分類的卷積神經網絡
4.1.1實例需求
4.1.2開發環境
4.1.3開發步驟
4.1.4常用的構造卷積神經網絡的函數
4.1.5構造卷積神經網絡
4.1.6程序實現
擴展閱讀： 批量歸一化層的作用
編程體驗： 改變卷積神經網絡的結構
4.2訓練一個用於預測的卷積神經網絡
4.2.1實例需求
4.2.2開發步驟
4.2.3構建卷積神經網絡
4.2.4訓練卷積神經網絡
4.2.5程序實現
擴展閱讀1： 設置學習率的經驗與技巧
擴展閱讀2： 隨機失活方法(dropout)的作用
擴展閱讀3： 小批量方法（minibatch）的作用
編程體驗： 改變網絡訓練配置參數
4.3采用遷移學習進行物體識別
4.3.1站在巨人的肩膀上——“遷移學習”
4.3.2實例需求
4.3.3開發步驟
4.3.4加載訓練好的網絡
4.3.5如何對網絡結構和樣本進行微調
4.3.6函數解析
4.3.7程序實現及運行效果
擴展閱讀： 多角度看“遷移學習”
4.4采用 Deep Network Designer實現卷積網絡設計
4.4.1什麼是Deep Network Designer
4.4.2如何打開Deep Network Designer
4.4.3需求實例
4.4.4在Deep Network Designer中構建卷積神經網絡
4.4.5對網絡進行訓練與驗證
4.4.6Deep Network Designer的檢驗功能
4.5采用Deep Network Designer實現遷移學習
4.5.1基於Deep Network Designer的網絡結構調整
4.5.2對網絡進行訓練
4.6如何顯示、分析卷積神經網絡
4.6.1如何查看訓練好的網絡的結構和信息
4.6.2如何畫出深度網絡的結構圖
4.6.3如何用analyzeNetwork函數查看與分析網絡
4.7如何加載深度學習工具箱可用的數據集
4.7.1如何加載MATLAB自帶的數據集
4.7.2如何加載自己制作的數據集
4.7.3如何加載網絡下載的數據集——以CIFAR-10為例
4.7.4如何劃分訓練集與測試集
編程體驗1： 基於CIFAR-10數據集訓練卷積神經網絡
4.8如何構造一個具有捷徑連接的卷積神經網絡
4.8.1本節用到的函數
4.8.2實例需求
4.8.3創建含有捷徑連接的卷積神經網絡的實現步驟
4.8.4程序實現
4.8.5對捷徑連接網絡進行結構檢查
編程體驗： 采用例程4.8.2所構建的卷積神經網絡進行圖像分類
4.9思考與練習
第5章應用案例深度解析
5.1基於卷積神經網絡的圖像分類
5.1.1什麼是圖像分類
5.1.2評價分類的指標
5.1.3基於深度學習和數據驅動的圖像分類
5.1.4傳統的圖像分類與基於深度學習的圖像分類的區別
5.1.5基於AlexNet的圖像分類
5.1.6基於GoogLeNet的圖像分類
5.1.7基於卷積神經網絡的圖像分類抗干擾性分析
擴展閱讀： 計算機視覺的發展之路
編程體驗： 體驗GoogLeNet識別圖像的抗噪聲能力
5.2基於LeNet卷積神經網絡的交通燈識別
5.2.1實例需求
5.2.2卷積神經網絡設計
5.2.3加載交通燈數據集
5.2.4程序實現
5.3融合卷積神經網絡與支持向量機的圖像分類
5.3.1整體思路
5.3.2本節所用到的函數
5.3.3實現步驟與程序
編程體驗： 基於AlexNet和SVM的圖像分類
5.4基於R-CNN的交通標志檢測
5.4.1目標分類、檢測與分割
5.4.2目標檢測及其難點問題
5.4.3R-CNN目標檢測算法的原理及實現過程
5.4.4實例需求
5.4.5實現步驟
5.4.6本節所用到的函數
5.4.7程序實現
5.4.8基於AlexNet遷移學習的R-CNN實現
5.4.9基於Image Labeler的R-CNN目標檢測器構建
5.5基於Video Labeler與R-CNN的車輛檢測
5.5.1實例需求
5.5.2實現步驟
5.6思考與練習
參考文獻

《深度學習理論及實戰（MATLAB版）》主要介紹深度學習理論及實戰，共5章，內容包括機器學習、人工神經網絡、卷積神經網絡、MATLAB深度學習工具箱和應用實例。在介紹基礎理論方面，本書深入淺出、語言生動、通俗易懂； 在介紹應用實例時，本書貼近實際、步驟翔實、舉一反三。本書對數十個例程進行了深入的講解，並對代碼進行了詳細的注解。《深度學習理論及實戰（MATLAB版）》可以作為人工智能、電子信息、計算機科學相關專業的本科生、研究生的教材，也可作為本科畢業設計、研究生學術論文的參考資料，還可作為相關工程技術人員的參考資料。

趙小川,何灝 著