[套装书]深度学习：基于案例理解深度神经网络+神经网络与深度学习实战：Python+Keras+TensorFlow+深度学习：卷积神经网络从入门到精通（3册）[POD]

. 卷积神经网络是深度学习中为重要的模型，对引领深度学习的井喷式发展起到了不可或缺的作用。本书试图全面介绍卷积神经网络的模型和方法，详细讨论了其现代雏形、突破模型、加深模型、应变模型、跨连模型、区域模型、分割模型、特殊模型和强化模型，后是其成就AlphaGo。为了辅助读者理解有关内容，本书还结合应用案例分析了很多具体模型的代码实现及演示效果。

1.2.5　包含tf.Variable的计算图14
1.2.6　包含tf. placeholder的计算图15
1.2.7　运行和计算的区别18
1.2.8　节点之间的依赖关系18
1.2.9　创建和关闭会话的技巧19
第2章　单一神经元21
2.1　神经元结构21
2.1.1　矩阵表示法23
2.1.2　Python实现技巧：循环和NumPy24
2.1.3　激活函数25
2.1.4　代价函数和梯度下降：学习率的特点32
2.1.5　学习率的应用示例34
2.1.6　TensorFlow中的线性回归示例38
2.2　逻辑回归示例47
2.2.1　代价函数47
2.2.2　激活函数48
2.2.3　数据集48
2.2.4　TensorFlow实现51
2.3　参考文献54
第3章　前馈神经网络56
3.1　网络架构57
3.1.1　神经元的输出59
3.1.2　矩阵维度小结59
3.1.3　示例：三层网络的方程59
3.1.4　全连接网络中的超参数60
3.2　用于多元分类的softmax函数60
3.3　过拟合简要介绍61
3.3.1　过拟合示例61
3.3.2　基本误差分析66
3.4　Zalando数据集68
3.5　使用TensorFlow构建模型71
3.5.1　网络架构71
3.5.2　softmax函数的标签转换：独热编码73
3.5.3　TensorFlow模型74
3.6　梯度下降变体77
3.6.1　批量梯度下降77
3.6.2　随机梯度下降78
3.6.3　小批量梯度下降79
3.6.4　各种变体比较80
3.7　错误预测示例84
3.8　权重初始化84
3.9　有效添加多个层87
3.10　增加隐藏层的优点89
3.11　比较不同网络89
3.12　选择正确网络的技巧92
第4章　训练神经网络93
4.1　动态学习率衰减93
4.1.1　迭代还是周期94
4.1.2　阶梯式衰减95
4.1.3　步长衰减96
4.1.4　逆时衰减98
4.1.5　指数衰减100
4.1.6　自然指数衰减101
4.1.7　TensorFlow实现105
4.1.8　将方法应用于Zalando数据集108
4.2　常用优化器109
4.2.1　指数加权平均109
4.2.2　Momentum112
4.2.3　RMSProp115
4.2.4　Adam117
4.2.5　应该使用哪种优化器117
4.3　自己开发的优化器示例118
第5章　正则化123
5.1　复杂网络和过拟合123
5.2　什么是正则化127
5.3　p范数128
5.4　2正则化128
5.4.1　2正则化原理128
5.4.2　TensorFlow实现129
5.5　1正则化136
5.5.1　1正则化原理与TensorFlow实现137
5.5.2　权重真的趋于零吗137
5.6　Dropout140
5.7　Early Stopping143
5.8　其他方法144
第6章　指标分析145
6.1　人工水平表现和贝叶斯误差146
6.2　关于人工水平表现的故事148
6.3　MNIST中的人工水平表现149
6.4　偏差150
6.5　指标分析图151
6.6　训练集过拟合151
6.7　测试集152
6.8　如何拆分数据集153
6.9　不平衡类分布：会发生什么157
6.10　精确率、召回率和F1指标161
6.11　不同分布的数据集164
6.12　k折交叉验证170
6.13　手动指标分析示例177
第7章　超参数调优183
7.1　黑盒优化183
7.2　黑盒函数注意事项184
7.3　超参数调优问题185
7.4　黑盒问题示例186
7.5　网格搜索186
7.6　随机搜索190
7.7　粗到细优化192
7.8　贝叶斯优化195
7.8.1　Nadaraya-Watson回归195
7.8.2　高斯过程195
7.8.3　平稳过程196
7.8.4　用高斯过程预测196
7.8.5　采集函数200
7.8.6　上置信界（UCB）201
7.8.7　示例201
7.9　对数尺度采样207
7.10　使用Zalando数据集的超参数调优208
7.11　径向基函数注意事项214
第8章　卷积神经网络和循环神经网络216
8.1　卷积核和过滤器216
8.2　卷积217
8.3　卷积运算示例223
8.4　池化227
8.5　构建CNN块230
8.5.1　卷积层230
8.5.2　池化层231
8.5.3　各层的叠加231
8.5.4　CNN示例232
8.6　RNN介绍237
8.6.1　符号237
8.6.2　RNN的基本原理238
8.6.3　循环神经网络名称的由来239
8.6.4　学会统计239
第9章　研究项目244
9.1　问题描述244
9.2　数学模型246
9.3　回归问题246
9.4　数据准备250
9.5　模型训练258
第10章　从零开始进行逻辑回归261
10.1　逻辑回归的数学背景262
10.2　Python实现264
10.3　模型测试266
10.3.1　数据集准备267
10.3.2　运行测试268
10.4　结论268


---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow---------------------------


前言
本书内容导图
第1章 神经网络初体验 1
1.1 开发环境的安装 1
1.2 快速构建一个识别手写数字图片的神经网络 2
第2章 深度学习中的微积分基础 8
2.1 实数中的无理数 8
2.2 什么叫极限 10
2.3 函数的连续性 12
2.4 函数求导 13
2.5 导数的一般法则 15
2.6 间套函数的链式求导法则 17
2.7 多变量函数与偏导数 19
2.8 导数与极值 19
2.9 使用导数寻求函数的最小值 21
第3章 深度学习的线性代数基础 25
3.1 常量与向量 26
3.2 矩阵及相关操作 26
3.3 tensor——多维向量 28
3.4 向量范数 30
第4章 神经网络的理论基础 31
4.1 详解神经网络中的神经元激活函数 31
4.2 使用矩阵运算驱动神经网络数据加工链 38
4.3 通过反向传播算法回传误差改进链路权重 42
4.4 使用矩阵和梯度下降法实现神经网络的迭代训练 45
4.5 手算梯度下降法，详解神经网络迭代训练过程 53
第5章 用Python从零实现识别手写数字的神经网络 58
5.1 基本框架的搭建 58
5.2 实现网络的迭代训练功能 62
5.3 网络训练，识别手写数字图片 64
第6章 神经网络项目实践 70
6.1 使用神经网络分析电影评论的正能量和负能量 70
6.2 使用神经网络实现新闻话题分类 78
6.3 使用神经网络预测房价中位数 83
第7章 使用神经网络实现机器视觉识别 90
7.1 卷积神经网络入门 90
7.2 从零开始构造一个识别猫、狗图片的卷积网络 93
7.3 使用预先训练的卷积网络实现图像快速识别 101
7.4 视觉化神经网络的学习过程 105
7.5 揭秘卷积网络的底层原理 109
第8章 用深度学习实现自然语言处理 124
8.1 Word Embedding 单词向量化 124
8.2 概率论的一些重要概念 130
8.3 skip-gram单词向量化算法的数学原理 136
8.4 使用预先训练好的单词向量实现新闻摘要分类 140
8.5 RNN——具有记忆功能的神经网络 143
8.6 LSTM网络层详解及其应用 145
8.7 使用RNN和CNN混合的“鸡尾酒疗法”提升网络运行效率 148
第9章 自动编解码网络和生成型对抗性网络 150
9.1 自动编解码器网络的原理与实现 150
9.2 去噪型编解码网络 154
9.3 使用自动编解码网络实现黑白图片上色 157
9.4 生成型对抗性网络 162
9.5 生成型对抗性网络的代码实现 163
9.6 条件性生成型对抗性网络 169
第10章 增强性学习网络开发实践 176
10.1 增强性学习网络的基本原理 176
10.2 开发环境配置 177
10.3 增强性学习网络的数学原理 179
10.4 Bellman函数和最优化 180
10.5 Bellman等式的推导 181
10.6 用实例讲解Bellman函数的应用 182
10.7 解决冰冻湖问题 185
10.8 ε贪婪算法 188
10.9 运用神经网络和Bellman函数解决Cartpole问题 188
第11章 TensorFlow入门 193
11.1 TensorFlow图运算原理 193
11.2 TensorFlow代码实践 195
11.3 TensorFlow的输入、变量、输出及运算操作 197
11.4 TensorFlow的变量定义 200
11.5 TensorFlow的运算输出及运算操作 201
11.6 用TensorFlow开发神经网络的相关操作 204
11.7 开发TensorFlow程序应注意的事项 207
11.8 使用TensorFlow开发神经网络 213
第12章 使用TensorFlow和Keras 开发高级自然语言处理系统 218
12.1 Skip-Gram算法实现 218
12.2 使用RNN网络模型的基本原理 230
12.3 代码实现RNN网络 232
12.4 LSTM网络的结构原理 242
12.5 使用LSTM网络实现人机问答系统 247
第13章 使用TensorFlow和Keras 实现高级图像识别处理系统 256
13.1 实现艺术风格的转换 256
13.2 使用胶囊网络实现服装识别 266
13.3 使用TensorFlow API 实现精准物体识别 285
13.4 DeeDream：使用神经网络构造具有惊悚审美效果的艺术作品 293
第14章 使用TensorFlow和Keras 打造智能推荐系统 300
14.1 创造一个网易云音乐推荐引擎 300
14.2 使用TensorFlow构建高质量商品推荐系统 309
14.3 实现淘宝“拍立淘”图片搜索引擎 313
第15章 深度学习的重要概念和技巧总结 319



---------------------------深度学习：卷积神经网络从入门到精通---------------------------


CONTENTS
目　　录
前言
第1章　概述 1
1.1　深度学习的起源和发展 1
1.2　卷积神经网络的形成和演变 4
1.3　卷积神经网络的应用和影响 6
1.4　卷积神经网络的缺陷和视图 9
1.5卷积神经网络的GPU实现和cuDNN库 10
1.6　卷积神经网络的平台和工具 10
1.7　本书的内容结构和案例数据 13
1.7.1　内容结构 13
1.7.2　案例数据 15
第2章　预备知识 22
2.1　激活函数 22
2.2　矩阵运算 23
2.3　导数公式 24
2.4　梯度下降算法 25
2.5　反向传播算法 26
2.5.1　通用反向传播算法 27
2.5.2　逐层反向传播算法 28
2.6　通用逼近定理 31
2.7　内外卷积运算 31
2.8　膨胀卷积运算 32
2.9　上下采样运算 33
2.10　卷积面计算 34
2.11　池化面计算 36
2.12　局部响应归一化 36
2.13　权值偏置初始化 37
2.14　丢失输出 37
2.15　丢失连接 38
2.16　随机梯度下降算法 39
2.17　块归一化 39
2.18　动态规划算法 40
第3章卷积神经网络的现代雏形——LeNet 41
3.1　LeNet的原始模型 41
3.2　LeNet的标准模型 43
3.3　LeNet的学习算法 44
3.4　LeNet的Caffe代码实现及说明 46
3.5　LeNet的手写数字识别案例 54
3.6　LeNet的交通标志识别案例 58
3.6.1交通标志数据集的格式转换 58
3.6.2　交通标志的识别分类 60
3.7　LeNet的交通路网提取案例 63
3.7.1　交通路网的人工标注 64
3.7.2　交通路网的图像块分类 67
3.7.3交通路网的图像块分类LeNet 69
3.7.4交通路网的自动提取代码及说明 71
3.7.5交通路网的自动提取程序运行结果 75
第4章卷积神经网络的突破模型 78
4.1　AlexNet的模型结构 78
4.2AlexNet的Caffe代码实现及说明 82
4.3AlexNet的Caffe大规模图像分类案例及演示效果 95
4.4AlexNet的TensorFlow代码实现及说明 97
4.5AlexNet的TensorFlow大规模图像分类案例及演示效果 103
4.6　AlexNet的改进模型ZFNet 107
第5章卷积神经网络的应变模型 109
5.1　SPPNet的模型结构 109
5.2SPPNet的Caffe代码实现及说明 112
5.3SPPNet的大规模图像分类案例及演示效果 114
第6章卷积神经网络的加深模型 118
6.1结构加深的卷积网络VGGNet 118
6.1.1　VGGNet的模型结构 118
6.1.2VGGNet的TensorFlow代码实现及说明 120
6.1.3VGGNet的物体图像分类案例 129
6.2结构更深的卷积网络GoogLeNet 130
6.2.1　GoogLeNet的模型结构 130
6.2.2GoogLeNet的TensorFlow代码实现及说明 136
6.2.3GoogLeNet的鲜花图像分类案例 149
第7章卷积神经网络的跨连模型 154
7.1　快道网络HighwayNet 154
7.2　残差网络ResNet 155
7.2.1　ResNet的模型结构 155
7.2.2ResNet的Caffe代码实现及说明 157
7.2.3ResNet的大规模图像分类案例 163
7.3　密连网络DenseNet 169
7.3.1　DenseNet的模型结构 169
7.3.2DenseNet的Caffe代码实现及说明 171
7.3.3DenseNet的物体图像分类案例 174
7.4　拼接网络CatNet 178
7.4.1　CatNet的模型结构 178
7.4.2CatNet的Caffe代码实现及说明 179
7.4.3CatNet的人脸图像性别分类案例 183
第8章卷积神经网络的区域模型 190
8.1　区域卷积网络R-CNN 190
8.2快速区域卷积网络Fast R-CNN 191
8.3更快区域卷积网络Faster R-CNN 193
8.3.1Faster R-CNN的模型结构 193
8.3.2Faster R-CNN的TensorFlow代码实现及说明 196
8.3.3Faster R-CNN的图像目标检测案例及演示效果 216
8.4　你只看一次网络YOLO 220
8.4.1　YOLO的模型结构 220
8.4.2YOLO的TensorFlow代码实现及说明 226
8.4.3YOLO的图像目标检测案例及演示效果 239
8.5　单次检测器SSD 242
8.5.1　SSD的模型结构 242
8.5.2SSD的TensorFlow代码实现及说明 245
8.5.3SSD的图像目标检测案例及演示效果 260
第9章卷积神经网络的分割模型 266
9.1　全卷积网络FCN 266
9.1.1　FCN的模型结构 266
9.1.2FCN的Caffe代码实现及说明 269
9.1.3FCN的图像语义和几何分割案例 272
9.2金字塔场景分析网络PSPNet 277
9.2.1　PSPNet的模型结构 277
9.2.2PSPNet的TensorFlow代码实现及说明 282
9.2.3PSPNet的图像语义分割案例及演示效果 291
9.3掩膜区域卷积网络Mask R-CNN 294
9.3.1Mask R-CNN的模型结构 294
9.3.2Mask R-CNN的Keras和TensorFlow代码实现及说明 297
9.3.3Mask R-CNN的图像实例分割案例及演示效果 318
第10章卷积神经网络的特殊模型 325
10.1　孪生网络SiameseNet 325
10.1.1SiameseNet的模型结构 325
10.1.2SiameseNet的Caffe代码实现及说明 326
10.1.3SiameseNet的手写数字验证案例 328
10.2　挤压网络SqueezeNet 331
10.2.1SqueezeNet的模型结构 331
10.2.2SqueezeNet的Caffe代码实现及说明 334
10.2.3SqueezeNet大规模图像分类案例 337
10.3深层卷积生成对抗网络DCGAN 339
10.3.1DCGAN的模型结构 339
10.3.2DCGAN的TensorFlow代码实现及说明 340
10.3.3DCGAN的CelebA人脸图像生成案例 345
10.4　网中网NIN 348
10.4.

.　　---------------------------神经网络与深度学习实战：Python+Keras+TensorFlow---------------------------
　　
　　
　　2013年3月，人类社会迎来了历史性的转折点。谷歌的AlphaGo干脆利落地击败了围棋世界冠军李世石，由此掀起了人们对人工智能的关注热潮。与此同时，也标志着人类正式进入了智能时代。
　　围棋向来被认为是计算机永远无法攻克的人类智慧阵地，甚至很多人一度把围棋的“棋道”看做是“天道”在人间的表现。计算机要在围棋上战胜人类的确很难。长久以来，由于围棋走法的变化万千，传统思维下的计算机程序根本无法应对围棋所展现的复杂局面。
　　然而谷歌的DeepMind团队转换了思维方式，将围棋看做是一道数学题，看成是一种数理统计规律在现实世界的呈现。从这个角度来看，围棋“道”的神秘面纱被揭开。其实它并不神秘，而是一种概率性呈现。我们可以应用概率论、数理统计等原理，通过构建模型，然后使用大量实际数据来训练模型。于是我们可以看到，在围棋千变万化表面下的不变本质其实是蕴含在模型中的。
　　人工智能解决问题的思维是如此美妙！它是一种全新的思维方式，通过数学模型的方式对万事万物进行解构，然后再用强大的算力抽象出隐藏在事物表象下的规律，因此它是一种高阶思维方式。当你掌握了人工智能的思维方式，特别是人工智能开发技术，那就相当于你能执时代趋势之牛耳，在未来的激烈竞争中立于不败之地。
　　对于IT技术人员而言，人工智能的入门曲线极为陡峭，想要掌握它，需要非常扎实的数学理论基础，而且还要把原有的离散化逻辑思维方式转变为数据流似的连续型思维方式。图书市场上虽然已经有了不少人工智能技术书籍，但它们都很少考虑到如何帮助读者顺利度过思维模式转变的困难，本书希望在这方面能做一些有益的尝试。
　　本书特色
　　* 内容丰富，不仅涵盖了掌握人工智能技术所需要的数学理论知识，而且还通过大量的项目实战将理论应用于实践。
　　* 直击人工智能学习的痛点和难点。知其然容易，而知其所以然很难。本书首先通过引入微积分、线性代数和概率论等数学理论知识，为读者掌握人工智能算法奠定了理论基础；然后详细地剖析了神经网络的运行原理，揭开了神经网络的神秘面纱；最后通过一系列项目实践，让读者通过编码的方式全面掌握深度学习的理论和技术。
　　* 强调理论与实践的结合。本书通过大量的项目实践，帮助读者反复“咀嚼”原本难啃的理论知识。
　　* 大量的实战案例能将深度学习从高台阶转换为低台阶，从而让读者能够循序渐进、一步一个脚印地进入人工智能的殿堂。
　　本书内容
　　本书共15章，首先从人工智能技术的数学基础讲起，然后剖析神经网络的运行原理，最后以大量的实战案例增强读者对理论的理解和把握。
　　第1章快速构建了一个能够实现手写数字图片识别的神经网络，让读者通过实践可以获得对人工智能的感性认识，从而为后续的理性认知打下基础。
　　第2章介绍了深度学习所需要的微积分知识，特别是详细介绍了导函数与极值点，以及如何利用梯度下降法求取函数的最小值点，这是深度网络进行训练的理论基础。
　　第3章介绍了深度学习所需要的线性代数知识，包括张量、向量及矩阵运算等多种概念。深度学习在应用时需要把数据向量化，因此本章对理解后续项目所需要的数据处理技术非常重要。
　　第4章介绍了神经网络的相关概念和体系结构，通过介绍神经元、激活函数、误差反向回传和梯度下降法等概念，让读者对神经网络的运行流程心知肚明。
　　第5章是第4章的延续和扩展，用编码的方式把第4章中介绍的概念和算法落地实现，从而通过实践加深对第4章中相关概念的理解和掌握。
　　第6~8章进入实战阶段，通过Keras框架实现了深度学习的具体应用。通过实现图像识别和自然语言处理等多个项目，帮助读者深入理解深度学习的开发技巧，特别是对Keras框架的运用。
　　第9、10章进入提升阶段，其中，第9章介绍了两种高级网络模式，带领读者理解编解码网络和对抗性生成网络，从而了解这两种网络如何产生相应的“黑科技”效应；第10章通过神经网络和Bellman函数来解决Cartpole问题。
　　第11~14章首先介绍了人工智能开发中常用的TensorFlow框架；然后进行了一系列有较高难度的项目实战，其中深入剖析了自然语言处理的算法细节，并尝试实现了高级图形图像处理系统，例如艺术风格的转换、图片和视频流中进行物体识别等；最后介绍了人工智能技术在电商领域中的商业化应用，也就是各种推荐系统的实现。
　　第15章对全书讲解过的概念和开发技巧进行了归纳和总结。
　　本书配套资源
　　本书涉及的所有源代码都能在Python 3.0及以上版本的运行环境中正确运行。这些源代码需要读者自行下载。请登录华章公司的网站www.hzbook.com，搜索到本书，然后单击“资料下载”按钮即可在本书页面上找到“配书资源”下载链接。
　　为了方便使用，作者将每章对应的源代码存放在相应的文件夹中，读者可以轻易地使用Anacoda编程环境进行加载和运行。
　　另外，由于有些项目对于没有GPU的读者而言运行时间会非常长，因此作者将训练好的网络以文件的方式进行了存储，读者在进行项目实践时可以按照本书中给出的方式加载相应的网络参数，从而跳过耗时的网络训练步骤，节省不必要的时间浪费。
　　本书读者对象
　　本书适合有志于投身人工智能领域的IT专业人士或相关院校的学生阅读。具体包括：
　　* Python程序员；
　　* 对人工智能编程感兴趣的人员；
　　* 神经网络研究人员；
　　* 对深度学习技术感兴趣的人员；
　　* 想转行到人工智能领域的技术人员；
　　* 深度学习项目研发人员；
　　* 高校相关专业的学生；
　　* 专业培训机构的学员。
　　阅读本书需要读者具有一定的数学基础。
　　本书作者
　　本书由陈屹编写。作者数学专业毕业，有十几年的软件开发经验，曾在微软、联想和RealNetworks等国内外知名公司从事开发工作，熟练掌握C++、Java和Python等开发语言，擅长算法逻辑和架构设计。
　　感谢在写作和出版过程中给予作者大量帮助的各位编辑！
　　由于作者水平所限，加之写作时间较为仓促，书中可能还存在一些疏漏和不足之处，敬请各位读者批评指正。联系邮箱：hzbook2017@163.com。
　　最后祝读书快乐！
　　作者
　　
　　
　　---------------------------深度学习：卷积神经网络从入门到精通---------------------------
　　
　　
　　PREFACE前言随着谷歌的AlphaGo、IBM的Watson和百度的小度机器人等智能产品的问世，人工智能成为大众热烈讨论的焦点。深度学习作为其中的核心技术之一，经过学术界与工业界的积极推动，已经被广泛应用于计算机视觉、语音识别和自然语言处理等诸多领域。如果读者想了解深度学习的总体概况，可参考作者编写的《深度学习导论及案例分析》一书。
　　    本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。
　　    卷积神经网络是一种特殊的多层感知器或前馈神经网络，具有局部连接、权值共享的特点，其中大量神经元按照一定方式组织起来对视野中的交叠区域产生反应。其前身是日本学者Fukushima在感受野概念的基础上提出的神经认知机模型。利用神经认知机的思想，LeCun等人在1998年提出了卷积神经网络的现代雏形LeNet。2012年，Krizhevsky等人取得了卷积神经网络研究的重大突破，提出了著名的AlexNet。AlexNet在ImageNet的大规模图像分类竞赛中取得优异成绩，为深度学习的全面推广立下了汗马功劳。随后，卷积神经网络模型如雨后春笋般出现，如VGGNet、GoogLeNet、SPPNet、ResNet、DenseNet、Faster R-CNN、YOLO、SSD、FCN、PSPNet、Mask R-CNN、SiameaseNet、SqueezeNet、DCGAN、NIN，以及在人工智能游戏中用到的深度强化模型等。
　　    本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。
　　    本书的另一大特色是结合Caffe或TensorFlow的代码来说明各种卷积神经网络模型的具体实现过程，并通过应用案例说明其价值和意义所在。典型的应用案例包括：字符识别、交通标志识别、交通路网提取、大规模图像分类、人脸图像性别分类、图像目标检测、图像语义分割、图像实例分割、人脸图像生成、Flappy Bird智能体、AlphaGo的仿效围棋程序等。读者可以通过运行各个应用案例的程序代码和实验数据，检验其演示效果。
　　    与其他深度学习的书籍相比，本书对卷积神经网络的内容涵盖更为广泛、模型讨论更为深入、应用实践更为细致。特别是，还总结了一些运行卷积神经网络的配置技巧和操作经验。比如，在运行Mask R-CNN的时候，需要先安装读取COCO数据集的程序，然后再进行训练或测试。在运行SSD的时候，可视化结果只给出了类别编号而没有给出类别名，作者对此已进行了修改，以方便读者按照书中所示代码显示相应的类别名。把这些经过摸索得到的技巧和经验分享给读者，对提高读者的深度学习技术水平，无疑具有很好的加速作用。
　　    本书是集体努力的成果，主要作者包括北京工业大学的李玉鑑、张婷、单传辉、刘兆英、聂小广和欧军。他们对全书的内容进行了精心的布局、认真的编写和细致的整理。同时，曾少锋、刘博文、穆红章、余华擎和方皓达等人在文献资料、实现代码和软件工具的收集方面也提供了积极的帮助。此外，华章公司的温莉芳副总经理和张梦玲编辑对本书的排版提出了许多宝贵的意见。最后，需要特别感谢家人的支持，他们也在不知不觉中以各种方式对此书出版做出了贡献。
　　    限于作者水平，本书难免在内容取材和结构编排上有不妥之处，希望读者不吝赐教，提出宝贵的批评和建议，我们将不胜感激。
　　    作者2018年4月于北京工业大学
　　

.　　本书共15章，涵盖的内容有神经网络初体验；深度学习的微积分基础；深度学习的线性代数基础；神经网络的理论基础；用Python从零实现识别手写数字的神经网络；神经网络项目实践；使用神经网络实现机器视觉识别；用深度学习实现自然语言处理；自动编解码网络和生成型对抗性网络；增强性学习网络的开发实践；TensorFlow入门；使用TensorFlow和Keras开发高级自然语言处理系统；使用TensorFlow和Keras实现高级图像识别处理系统；使用TensorFlow和Keras打造智能推荐系统；深度学习重要概念和技巧总结。
　　本书尽可能通过细致的讲解降低读者入门人工智能编程的门槛。书中案例丰富，内容非常实用，特别适合有志于投身人工智能领域的IT专业人士或学生阅读。阅读本书需要读者具有一定的数学基础。
　　
　　
　　---------------------------深度学习：卷积神经网络从入门到精通---------------------------
　　
　　
　　卷积神经网络是深度学习应用最广的模型，几乎成了深度学习的代名词。它特别适合图像分类和识别、目标的分割和检测以及人工智能游戏领域的应用。
　　本书旨在全面介绍各种卷积神经网络的模型、算法及应用，指导读者把握其形成和演变的基本脉络，以帮助读者在较短的时间内从入门达到精通的水平。有兴趣的读者可以从本书开始，通过图像分类、识别、检测和分割的案例，逐步深入卷积神经网络的核心，掌握深度学习的方法和精髓，领会AlphaGo战胜人类世界冠军的奥秘。
　　本书特色
　　对卷积神经网络进行由浅入深的分类描述，从现代雏形、突破模型、加深模型一直到强化模型和顶尖成就，并附有相关参考文献，方便读者及时查阅和钻研。
　　对卷积神经网络模型的涵盖非常全面，详细讨论了LeNet、AlexNet、VGGNet、GoogLeNet、SPPNet、ResNet、DenseNet、Faster R-CNN、YOLO、SSD、FCN、PSPNet、Mask R-CNN、SiameaseNet、SqueezeNet、DCGAN、NIN和DQN等模型。
　　结合Caffe或TensorFlow代码，详细分析大量卷积神经网络的应用案例，包括字符识别、交通标志识别、交通路网提取、大规模图像分类、人脸图像性别分类、图像目标检测、图像语义分割、图像实例分割、人脸图像生成、Flappy Bird智能体等。
　　通过应用案例的分析，向读者介绍卷积神经网络的配置技巧和操作经验，包括数据增强、图像预处理、网络初始化、激活函数选择，以及训练测试细节等。
　　通过阐述人工智能围棋程序AlphaGo及AlphaGo Zero的设计原理和设计思想，专门探讨AlphaGo的仿效围棋程序——MuGo，以帮助读者自己动手实现一个类似程序。