本书理论知识体系完备，由浅入深，系统性地介绍了深度学习模型的发展脉络，以及模型深度设计、模型宽度设计、模型通道维度设计、残差连接设计、分组卷积设计、多尺度与非正常卷积设计、多输入网络设计、时序神经网络设计、三维卷积网络设计、动态推理模型与注意力机制设计、生成对抗网络设计这10类主流的深度学习模型设计思想。同时，本书为各模型设计思想提供了大量的实例，供读者实战演练。 本书注重内容的完整性与实用性，既可以作为深度学习与计算机视觉初学者、相关专业的在校学生学习核心算法的书籍，也可以作为相关工程人员查阅相关技术的参考手册。
附图
内容简介
前言
第1章 神经网络和计算机视觉基础
1.1 计算机视觉基础
1.2 数字图像基础
1.3 神经网络基础
第2章 深度学习基础
2.1 全连接神经网络的局限性
2.2 神经网络第三次复兴简史
2.3 卷积神经网络基础
2.4 深度学习优化基础
2.5 深度学习主流开源框架
参考文献
第3章 数据集、评测指标与优化目标
3.1 数据集
3.2 评测指标
3.3 优化目标
参考文献
第4章 加深网络,提升模型性能
4.1 经典的浅层卷积神经网络
4.2 经典网络的深度设计
4.3 实验:网络深度对分类模型性能的影响
参考文献
第5章 1×1卷积,通道维度升降的利器
5.1 特征通道与信息融合
5.2 1×1卷积及其应用
5.3 1×1卷积在瓶颈结构中的作用
5.4 1×1卷积在增强网络表达能力中的作用
参考文献
第6章 加宽网络,提升模型性能
6.1 为什么需要更宽的网络结构
6.2 经典模型的网络宽度设计思想
6.3 实验:网络宽度对模型性能的影响
参考文献
第7章 残差连接,深层网络收敛的关键
7.1 残差连接基础
7.2 残差网络结构的发展和应用
7.3 跳层连接在图像分割中的应用
参考文献
第8章 分组卷积与卷积拆分,移动端高效率经典模型
8.1 卷积拆分与分组卷积
8.2 分组卷积的结构
8.3 训练一个用于图像分割的实时分组网络
参考文献
第9章 多尺度网络与非正常卷积,更丰富的感受野与不变性
9.1 目标常见变换与不变性
9.2 多尺度网络结构
9.3 非正常卷积网络结构
9.4 STN在可变形手写数字识别中的应用
参考文献
第10章 多输入网络,图像检索和排序的基准模型
10.1 什么时候需要多个输入
10.2 常见多输入网络
10.3 目标跟踪Siamese网络实战
参考文献
第11章 时序神经网络,有记忆的网络更聪明
11.1 单向RNN和双向RNN
11.2 LSTM
11.3 LSTM视频分类实践
第12章 卷积从二维变成三维,实现升维打击
12.1 三维卷积基础
12.2 三维卷积的应用
12.3 一个用于视频分类的三维卷积网络
参考文献
第13章 动态推理模型与注意力机制,网络因样本而异
13.1 拓扑结构动态变化的网络
13.2 注意力机制
13.3 基于提前退出机制的BranchyNet分类模型实战
参考文献
第14章 生成对抗网络,新一代深度学习模型
14.1 生成对抗网络的基本原理
14.2 生成对抗网络损失的发展
14.3 生成对抗网络结构的发展
14.4 DCGAN图像生成实战
参考文献
