周浦城，博士，副教授，先后主持或参加国家863、自然科学基金等课题20余项，公开发表论文80余篇，其中SCI检索3篇、EI检索45篇。

章 机器学习基础1
1.1 机器学习概述1
1.1.1 机器学习的概念1
1.1.2 机器学习的任务2
1.1.3 机器学习的发展简史3
1.1.4 机器学习的典型应用5
1.2 机器学习策略6
1.2.1 有监督学习6
1.2.2 无监督学习6
1.2.3 半监督学习6
1.2.4 强化学习7
1.3 模型评估与选择7
1.3.1 归纳偏好7
1.3.2 数据集划分8
1.3.3 性能度量9
1.3.4 过拟合和欠拟合10
1.4 神经网络与深度学习11
1.4.1 生物神经元11
1.4.2 人工神经网络12
1.4.3 深度学习14
1.5 本章小结16
第2章 卷积神经网络基本原理17
2.1 卷积神经网络概述17
2.1.1 卷积神经网络的发展17
2.1.2 卷积神经网络的基本原理与组成18
2.2 卷积层19
2.2.1 基本卷积运算19
2.2.2 卷积神经网络中的卷积运算21
2.2.3 卷积的作用22
2.2.4 卷积层及参数25
2.2.5 特殊卷积26
2.3 激活层29
2.3.1 激活函数简述29
2.3.2 典型的激活函数30
2.4 池化层34
2.4.1 池化操作34
2.4.2 感受野35
2.5 全连接层36
2.6 目标函数37
2.6.1 常用的损失函数38
2.6.2 正则化项39
2.7 卷积神经网络的反向传播40
2.7.1 全连接层的反向传播40
2.7.2 池化层的反向传播41
2.7.3 卷积层的反向传播42
2.7.4 反向传播实例43
2.8 本章小结45
第3章 典型卷积神经网络结构46
3.1 LeNet46
3.1.1 LeNet网络结构46
3.1.2 LeNet主要特点49
3.2 AlexNet49
3.2.1 AlexNet网络结构49
3.2.2 AlexNet主要特点51
3.3 VGGNet53
3.3.1 VGGNet网络结构53
3.3.2 VGGNet主要特点55
3.4 GoogLeNet55
3.4.1 Inception v1与Inception v256
3.4.2 Inception v359
3.4.3 Inception v460
3.5 ResNet61
3.5.1 残差网络的动机61
3.5.2 ResNet网络结构62
3.6 其他网络结构64
3.6.1 DenseNet64
3.6.2 SPPNet64
3.6.3 SENet66
3.6.4 MobileNet66
3.7 本章小结67
第4章 Python编程基础68
4.1 Python语言简介68
4.1.1 Python的发展简史68
4.1.2 Python的主要特点68
4.1.3 Python的主要应用领域69
4.2 Python编程环境搭建70
4.2.1 Windows下的安装70
4.2.2 Linux下的安装72
4.3 Python程序设计73
4.3.1 编程规范73
4.3.2 变量与数据类型73
4.3.3 运算符与表达式77
4.3.4 结构化程序设计79
4.3.5 函数与模块81
4.3.6 面向对象程序设计84
4.4 Python基础工具库89
4.4.1 NumPy89
4.4.2 Pandas92
4.4.3 Matplotlib94
4.5 本章小结95
第5章 PyTorch基础96
5.1 常见的深度学习框架简介96
5.1.1 Caffe96
5.1.2 TensorFlow97
5.1.3 PyTorch97
5.1.4 其他框架98
5.2 PyTorch的下载与安装98
5.2.1 Linux下的安装98
5.2.2 Windows下的安装100
5.3 PyTorch中的Tensor101
5.3.1 Tensor的数据类型101
5.3.2 Tensor的基本操作102
5.3.3 Tensor的基本运算104
5.3.4 Tensor的数据结构107
5.4 自动求导108
5.4.1 计算图108
5.4.2 自动求导机制109
5.5 模型搭建和参数优化111
5.5.1 神经网络工具箱111
5.5.2 常用的神经网络层113
5.5.3 前馈神经网络搭建116
5.5.4 优化器118
5.6 PyTorch入门实战119
5.6.1 手写数字识别119
5.6.2 CIFAR-10数据分类122
5.7 本章小结124
第6章 数据集与数据处理125
6.1 典型数据集及标注125
6.1.1 典型数据集125
6.1.2 数据标注129
6.2 数据预处理132
6.2.1 数据清洗132
6.2.2 数据采样133
6.2.3 数据标准化133
6.2.4 数据集划分134
6.3 数据增广135
6.3.1 几何变换135
6.3.2 颜色变换139
6.3.3 图像降质140
6.4 PyTorch数据集处理实例142
6.4.1 相关模块简介142
6.4.2 PyTorch自带数据集的使用143
6.4.3 Dataset类的继承146
6.4.4 一般数据集处理152
6.5 本章小结156
第7章 卷积神经网络的训练157
7.1 网络超参数157
7.1.1 输入图像大小157
7.1.2 卷积层超参数158
7.1.3 池化层超参数158
7.2 网络的训练158
7.2.1 参数初始化158
7.2.2 网络优化算法与策略159
7.2.3 批量规一化167
7.2.4 学习率的设定169
7.2.5 训练数据置乱170
7.3 图像分类实例170
7.3.1 网络结构超参数比较170
7.3.2 不同优化算法比较180
7.4 迁移学习与网络微调181
7.4.1 迁移AlexNet到猫狗数据集实例181
7.4.2 迁移VGG-19到瓜子数据集实例186
7.5 本章小结189
第8章 图像去噪190
8.1 图像去噪基础知识190
8.1.1 噪声模型190
8.1.2 传统图像去噪方法192
8.1.3 去噪算法设计与评价193
8.2 基于去噪自编码器的图像去噪194
8.2.1 自编码器简介194
8.2.2 MNIST数据集实验195
8.2.3 Waterloo数据集实验203
8.3 基于残差学习的图像去噪207
8.3.1 基本原理207
8.3.2 去噪实验207
8.3.3 非高斯噪声的去除209
8.4 本章小结211
第9章 图像修复212
9.1 图像修复基础知识212
9.1.1 图像修复概念212
9.1.2 基于深度学习的图像修复方法213
9.2 基于DCGAN的图像修复214
9.2.1 生成式对抗网络214
9.2.2 手写体生成实例216
9.2.3 基于DCGAN的人脸修复221
9.3 基于Context-Encoder的图像修复226
9.3.1 Context-Encoder模型结构226
9.3.2 算法与实验228
9.4 本章小结236
0章 目标检测237
10.1 目标检测基础知识237
10.1.1 传统目标检测方法237
10.1.2 基于卷积神经网络的目标检测方法238
10.1.3 目标检测评价指标238
10.1.4 目标检测数据集239
10.2 两阶段目标检测网络240
10.2.1 R-CNN240
10.2.2 Fast R-CNN242
10.2.3 Faster R-CNN244
10.3 单阶段目标检测网络246
10.3.1 YOLO246
10.3.2 SSD249
10.4 MMDetection检测算法库250
10.4.1 MMDetection安装251
10.4.2 模型的测试252
10.4.3 模型的训练253
10.4.4 MMDetection算法配置文件解析255
10.4.5 使用自己的数据集258
10.5 本章小结261
参考文献262

深度学习是人工智能与机器学习领域的重要研究分支，深度卷积神经网络是其核心内容之一。本书作为一本深度卷积神经网络方面的入门与提高书籍，目的是使读者通过学习了解和掌握卷积神经网络的理论基础与应用方法。全书共10章，分为三个部分：～3章为部分，主要介绍卷积神经网络基本理论；第4～5章为第二部分，概述卷积神经网络相关工具和框架；第三部分为第6～10章，介绍了数据集、数据处理及网络训练知识，很后给出了卷积神经网络的三个典型应用实例。本书可作为高等学校人工智能、计算机科学与技术、信息工程、自动化等专业高年级本科生或研究生深度学习相关课程的教材，也适合对卷积神经网络感兴趣的研究人员和工程技术人员参考阅读。