本書由戴瓊海院士、阿裡雲智能事業群總裁張建鋒、阿裡巴巴副總裁賈揚清及各個領域的多位專家聯合推薦。本書遴選阿裡雲天池平臺三大經典賽題，分別來自醫療、工業和文娛的真實業務場景，覆蓋計算機視覺和自然語言處理兩大熱門方向。

●賽題一 瑞金醫院MMC人工智能輔助構建知識圖譜
0 技術背景3
0.1 技術現狀3
0.2 實驗室介紹3
1 賽題解讀7
1.1 賽題背景7
1.2 知識圖譜7
1.2.1 知識圖譜的發展歷史7
1.2.2 如何表達知識9
1.2.3 如何構建知識圖譜11
1.2.4 如何進行知識推理13
1.3 數據介紹15
1.3.1 初賽數據16
1.3.2 復賽數據17
1.4 評測指標18
2 數據處理19
2.1 自然語言處理基礎19
2.1.1 詞向量19
2.1.2 語言模型20
2.1.3 自然語言處理中的深度學習24
2.2 數據預處理29
2.2.1 .txt文件29
2.2.2 .ann文件30
2.2.3 使用Python解析文件32
3 初賽賽題――實體識別35
3.1 實體識別任務35
3.2 傳統機器學習方法36
3.2.1 概率圖模型36
3.2.2 隱馬爾可夫模型38
3.2.3 優選熵馬爾可夫模型39
3.2.4 條件隨機場模型40
3.3 深度學習方法41
3.3.1 雙向循環神經網絡41
3.3.2 雙向循環神經網絡+條件隨機場模型43
3.4 初賽方案44
3.4.1 數據集構建44
3.4.2 特征工程46
3.4.3 模型構建47
4 復賽賽題――關繫抽取53
4.1 關繫抽取任務53
4.2 傳統方法53
4.2.1 基於模板的抽取53
4.2.2 基於依存句法的抽取54
4.2.3 基於統計機器學習的抽取55
4.3 深度學習方法56
4.3.1 監督學習56
4.3.2 半監督學習57
4.4 復賽方案59
4.4.1 數據集構建59
4.4.2 特征工程62
4.4.3 模型構建63
5 Neo4j存儲知識圖譜69
5.1 Neo4j介紹69
5.2 Neo4j配置70
5.2.1 安裝70
5.2.2 Web管理平臺71
5.2.3 Neo4j-shell72
5.3 數據庫構建72
5.3.1 準備工作72
5.3.2 創建數據庫72
5.3.3 事務73
5.3.4 創建節點73
5.3.5 創建關繫74
5.3.6 查詢74
5.4 Cypher查詢75
5.4.1 讀語句76
5.4.2 寫語句76
5.4.3 通用語句78
6 賽題進階討論80
6.1 數據標注方法80
6.1.1 指針標注80
6.1.2 片段排列81
6.2 聯合抽取82
6.2.1 共享參數82
6.2.2 聯合標注84
6.3 大規模預訓練語言模型86
6.3.1 ELMo模型86
6.3.2 GPT模型87
6.3.3 BERT模型89
6.3.4 使用BERT模型進行實體識別與關繫抽取90
賽題二 阿裡巴巴優酷視頻增強和超分辨率挑戰賽
0 技術背景95
0.1 業界應用95
0.2 文娛行業面臨的畫質問題95
0.3 實驗室介紹和技術手段96
0.4 重點模塊97
0.5 處理效果98
1 賽題解讀100
1.1 賽題背景100
1.2 賽題目標100
1.3 數據概覽100
1.4 評估指標101
1.5 解題思路102
1.6 賽題模型103
2 數據處理105
2.1 視頻和圖像處理105
2.1.1 圖像基本概念105
2.1.2 視頻基本概念106
2.1.3 視頻分幀107
2.1.4 圖像處理108
2.1.5 圖片合成視頻110
2.2 工具包111
2.2.1 OpenCV庫111
2.2.2 FFmpeg庫112
2.3 數據處理112
2.3.1 安裝工具包112
2.3.2 導入工具包112
2.3.3 視頻轉圖片函數112
2.3.4 讀取圖片並獲取大小113
2.3.5 讀取圖片並進行灰度處理114
2.3.6 分幀後的圖片灰度處理114
2.3.7 圖片轉視頻函數115
3 傳統插值方法117
3.1 插值方法117
3.1.1 插值方法的基本概念117
3.1.2 插值原理118
3.2 插值算法118
3.2.1 最近鄰插值算法119
3.2.2 雙線性插值算法119
3.2.3 雙三次插值算法120
3.3 幾種傳統插值算法結果對比121
3.4 數據處理122
3.4.1 導入工具包122
3.4.2 讀取圖片122
3.4.3 最近鄰插值算法122
3.4.4 雙線性插值算法123
3.4.5 基於4px×4px鄰域的三次插值算法123
3.4.6 不同插值函數計算PSNR123
3.4.7 傳統插值方法效果對比123
3.4.8 Bicubic插值算法124
4 深度插值方法126
4.1 深度學習126
4.1.1 卷積神經網絡126
4.1.2 使用SRCNN實現超清分辨率132
4.2 賽題實踐132
4.2.1 導入工具包132
4.2.2 讀取圖片133
4.2.3 使用Bicubic插值放大至目標尺寸133
4.2.4 實現SRCNN133
4.2.5 SRCNN模型訓練133
4.2.6 SRCNN模型驗證135
4.2.7 SRCNN模型預測135
4.2.8 保存圖片135
5 深度學習方法改進136
5.1 FSRCNN實現超清分辨率136
5.2 ESPCN實現超清分辨率138
5.3 賽題實踐140
5.3.1 導入工具包140
5.3.2 讀取圖片140
5.3.3 FSRCNN140
5.3.4 ESPCN142
6 深度學習方法進階145
6.1 GAN基本概念145
6.1.1 GAN生成手寫數字146
6.1.2 GAN訓練147
6.1.3 GAN算法數學形式148
6.2 CGAN149
6.3 VGGNet150
6.4 ResNet153
6.5 SRGAN結構156
6.5.1 SRGAN損失函數157
6.5.2 SRGAN效果157
6.6 SRGAN實現超清分辨率158
6.6.1 導入工具包158
6.6.2 讀取圖片159
6.6.3 實現SRGAN159
6.6.4 SRGAN模型訓練163
6.6.5 SRGAN模型驗證163
6.6.6 SRGAN模型預測163
6.6.7 保存圖片163
賽題三 布匹疵點智能識別
（2019廣東工業智造創新大賽 賽場一）
0 技術背景167
0.1 行業背景167
0.2 實驗室產品介紹168
0.3 賽題背景170
0.4 初賽數據示例171
0.5 復賽數據示例172
1 賽題解析173
1.1 賽題背景分析173
1.2 計算機視覺174
1.2.1 計算機視覺簡介174
1.2.2 計算機視覺發展歷史175
1.2.3 計算機視覺方法177
1.3 數據集介紹178
1.4 賽題指標介紹179
1.5 賽題初步分析181
2 深度學習基礎182
2.1 感知機182
2.2 梯度下降法184
2.3 多層感知機186
2.4 反向傳播189
2.5 深度神經網絡PyTorch實現189
3 卷積神經網絡與數據處理193
3.1 卷積運算與互相關運算193
3.2 卷積神經網絡195
3.3 卷積神經網絡的反向傳播算法198
3.4 卷積神經網絡PyTorch實現199
3.4.1 卷積神經網絡簡單實現示例199
3.4.2 競賽數據預訓練模型202
4 區域卷積神經網絡繫列算法204
4.1 目標檢測的基本概念204
4.2 區域卷積神經網絡205
4.3 Fast R-CNN算法210
4.4 Faster R-CNN算法214
4.5 目標檢測Faster R-CNN算法實戰218
5 實例分割Mask R-CNN算法226
5.1 實例分割226
5.2 Mask R-CNN算法226
5.3 PyTorch實現實例分割230
6 賽題很優算法與提升思路237
6.1 級聯區域卷積神經網絡237
6.2 目標檢測賽題提升思路239
6.3 mm-detection框架下的算法實現241
參考文獻242

本書聚焦深度學習算法建模及相關技術，選取醫療、視頻、工業三個非常有行業代表性的賽題：瑞金醫院MMC人工智能輔助構建知識圖譜、阿裡巴巴優酷視頻增強和超分辨率挑戰賽和布匹疵點智能識別，介紹賽題涉及的技術知識和選手的創新思路與模型，對賽題的解決方案從0到1層層拆解。本書從經典行業案例出發，內容由淺入深、層層遞進，既可以作為專業開發者用書，也可以作為參考選手的實戰手冊。