深度學(xué)習理論及實戰(zhàn)（MATLAB版）

目錄
第1章從“機器學(xué)習”講起
1.1走近“機器學(xué)習”
1.1.1什么是“機器學(xué)習”
1.1.2機器學(xué)習的主要任務(wù)
1.1.3機器學(xué)習的分類
1.1.4什么是“深度學(xué)習”
1.1.5機器學(xué)習的應(yīng)用舉例
擴展閱讀： 對“人工智能”的理解
1.2解讀“機器學(xué)習的過程”
1.2.1機器學(xué)習的過程
1.2.2機器學(xué)習中的數(shù)據(jù)集
1.2.3過擬合與欠擬合
心得分享： “機器學(xué)習”與“雕刻時光”
1.3典型的機器學(xué)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如何找到最佳分類線
1.3.5基于SVM的多分類問題
1.4思考與練習
第2章解析“人工神經(jīng)網(wǎng)絡(luò)”
2.1神經(jīng)元——人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)
2.1.1生物神經(jīng)元
2.1.2人工神經(jīng)元
2.1.3激活函數(shù)
2.2神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)及工作原理
2.2.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)組成
2.2.2神經(jīng)網(wǎng)絡(luò)的工作原理
2.2.3一些常見的概念
擴展閱讀： 人工神經(jīng)網(wǎng)絡(luò)發(fā)展簡史
2.3從數(shù)學(xué)角度來認識神經(jīng)網(wǎng)絡(luò)
2.3.1本書中采用的符號及含義
2.3.2神經(jīng)元的激活
2.3.3神經(jīng)網(wǎng)絡(luò)的學(xué)習
2.3.4尋找損失函數(shù)最小值——梯度下降法
2.3.5誤差反向傳播
2.3.6基于誤差反向傳播的參數(shù)更新流程
2.4如何基于神經(jīng)網(wǎng)絡(luò)進行分類
2.4.1基于神經(jīng)網(wǎng)絡(luò)實現(xiàn)二分類
2.4.2基于神經(jīng)網(wǎng)絡(luò)實現(xiàn)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(jīng)網(wǎng)絡(luò)”
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(jié)果的影響
3.1.3卷積運算在圖像特征提取中的應(yīng)用
擴展閱讀： 數(shù)字圖像處理的基礎(chǔ)知識
編程體驗1： 讀入一幅數(shù)字圖像并顯示
編程體驗2： 基于MATLAB實現(xiàn)二維圖像的滑動卷積
3.2解析“卷積神經(jīng)網(wǎng)絡(luò)”
3.2.1從 ImageNet 挑戰(zhàn)賽說起
3.2.2卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.2.3卷積層的工作原理
3.2.4非線性激活函數(shù)的工作原理
3.2.5池化層的工作原理
3.2.6卷積神經(jīng)網(wǎng)絡(luò)與全連接神經(jīng)網(wǎng)絡(luò)的區(qū)別
3.2.7從仿生學(xué)角度看卷積神經(jīng)網(wǎng)絡(luò)
擴展閱讀： 創(chuàng)建ImageNet挑戰(zhàn)賽初衷
3.3從數(shù)學(xué)的角度看卷積神經(jīng)網(wǎng)絡(luò)
3.3.1本書中采用的符號及含義
3.3.2從數(shù)學(xué)角度看卷積神經(jīng)網(wǎng)絡(luò)的工作過程
3.3.3如何求代價函數(shù)
3.3.4采用誤差反向傳播法確定卷積神經(jīng)網(wǎng)絡(luò)的參數(shù)
3.4認識經(jīng)典的“卷積神經(jīng)網(wǎng)絡(luò)”
3.4.1解析LeNet5卷積神經(jīng)網(wǎng)絡(luò)
3.4.2具有里程碑意義的AlexNet
3.4.3VGG-16卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)
3.4.4卷積神經(jīng)網(wǎng)絡(luò)為何會迅猛發(fā)展
3.5思考與練習
第4章基于MATLAB深度學(xué)習工具箱的實現(xiàn)與調(diào)試
4.1構(gòu)造一個用于分類的卷積神經(jīng)網(wǎng)絡(luò)
4.1.1實例需求
4.1.2開發(fā)環(huán)境
4.1.3開發(fā)步驟
4.1.4常用的構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)的函數(shù)
4.1.5構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)
4.1.6程序?qū)崿F(xiàn)
擴展閱讀： 批量歸一化層的作用
編程體驗： 改變卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
4.2訓(xùn)練一個用于預(yù)測的卷積神經(jīng)網(wǎng)絡(luò)
4.2.1實例需求
4.2.2開發(fā)步驟
4.2.3構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
4.2.4訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.2.5程序?qū)崿F(xiàn)
擴展閱讀1： 設(shè)置學(xué)習率的經(jīng)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(wǎng)絡(luò)訓(xùn)練配置參數(shù)
4.3采用遷移學(xué)習進行物體識別
4.3.1站在巨人的肩膀上——“遷移學(xué)習”
4.3.2實例需求
4.3.3開發(fā)步驟
4.3.4加載訓(xùn)練好的網(wǎng)絡(luò)
4.3.5如何對網(wǎng)絡(luò)結(jié)構(gòu)和樣本進行微調(diào)
4.3.6函數(shù)解析
4.3.7程序?qū)崿F(xiàn)及運行效果
擴展閱讀： 多角度看“遷移學(xué)習”
4.4采用 Deep Network Designer實現(xiàn)卷積網(wǎng)絡(luò)設(shè)計
4.4.1什么是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(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
4.4.5對網(wǎng)絡(luò)進行訓(xùn)練與驗證
4.4.6Deep Network Designer的檢驗功能
4.5采用Deep Network Designer實現(xiàn)遷移學(xué)習
4.5.1基于Deep Network Designer的網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整
4.5.2對網(wǎng)絡(luò)進行訓(xùn)練
4.6如何顯示、分析卷積神經(jīng)網(wǎng)絡(luò)
4.6.1如何查看訓(xùn)練好的網(wǎng)絡(luò)的結(jié)構(gòu)和信息
4.6.2如何畫出深度網(wǎng)絡(luò)的結(jié)構(gòu)圖
4.6.3如何用analyzeNetwork函數(shù)查看與分析網(wǎng)絡(luò)
4.7如何加載深度學(xué)習工具箱可用的數(shù)據(jù)集
4.7.1如何加載MATLAB自帶的數(shù)據(jù)集
4.7.2如何加載自己制作的數(shù)據(jù)集
4.7.3如何加載網(wǎng)絡(luò)下載的數(shù)據(jù)集——以CIFAR-10為例
4.7.4如何劃分訓(xùn)練集與測試集
編程體驗1： 基于CIFAR-10數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)
4.8如何構(gòu)造一個具有捷徑連接的卷積神經(jīng)網(wǎng)絡(luò)
4.8.1本節(jié)用到的函數(shù)
4.8.2實例需求
4.8.3創(chuàng)建含有捷徑連接的卷積神經(jīng)網(wǎng)絡(luò)的實現(xiàn)步驟
4.8.4程序?qū)崿F(xiàn)
4.8.5對捷徑連接網(wǎng)絡(luò)進行結(jié)構(gòu)檢查
編程體驗： 采用例程4.8.2所構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)進行圖像分類
4.9思考與練習
第5章應(yīng)用案例深度解析
5.1基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類
5.1.1什么是圖像分類
5.1.2評價分類的指標
5.1.3基于深度學(xué)習和數(shù)據(jù)驅(qū)動的圖像分類
5.1.4傳統(tǒng)的圖像分類與基于深度學(xué)習的圖像分類的區(qū)別
5.1.5基于AlexNet的圖像分類
5.1.6基于GoogLeNet的圖像分類
5.1.7基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類抗干擾性分析
擴展閱讀： 計算機視覺的發(fā)展之路
編程體驗： 體驗GoogLeNet識別圖像的抗噪聲能力
5.2基于LeNet卷積神經(jīng)網(wǎng)絡(luò)的交通燈識別
5.2.1實例需求
5.2.2卷積神經(jīng)網(wǎng)絡(luò)設(shè)計
5.2.3加載交通燈數(shù)據(jù)集
5.2.4程序?qū)崿F(xiàn)
5.3融合卷積神經(jīng)網(wǎng)絡(luò)與支持向量機的圖像分類
5.3.1整體思路
5.3.2本節(jié)所用到的函數(shù)
5.3.3實現(xiàn)步驟與程序
編程體驗： 基于AlexNet和SVM的圖像分類
5.4基于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(xiàn)過程
5.4.4實例需求
5.4.5實現(xiàn)步驟
5.4.6本節(jié)所用到的函數(shù)
5.4.7程序?qū)崿F(xiàn)
5.4.8基于AlexNet遷移學(xué)習的R-CNN實現(xiàn)
5.4.9基于Image Labeler的R-CNN目標檢測器構(gòu)建
5.5基于Video Labeler與R-CNN的車輛檢測
5.5.1實例需求
5.5.2實現(xiàn)步驟
5.6思考與練習
參考文獻