本书主要介绍神经网络与深度学习的相关知识点，注重分析神经网络与深度学习的基本概念、基本原理和网络结构，并对主要算法及其应用展开讨论及阐述。
全书分为两部分：基础知识篇与网络应用篇。基础知识篇介绍了神经网络与深度学习的概念及发展，神经网络与深度学习相关的数学基础知识，神经网络、卷积神经网络与自编码器等基础算法原理及其特点。网络应用篇对深度学习及计算机视觉领域的主要应用进行剖析，从图像分类、语义分割、目标检测等方面对典型算法进行详细介绍。全书内容体系完整、层次分明，结合深度学习的最新技术进展，帮助读者更深入地了解深度学习的算法原理及使用方法。
本书主要面向高校人工智能及相关专业的学生，也可供从事相关领域工作的工程技术人员参考使用。

前言
基础知识篇
第1章 绪论
1.1 人工智能相关概念
1.2 神经网络算法发展及应用
1.2.1 神经网络结构
1.2.2 神经网络的发展及应用
1.3 深度学习算法的发展及应用
1.3.1 卷积神经网络技术的发展
1.3.2 自编码器的发展
习题
第2章 神经网络模型
2.1 神经网络模型构成
2.1.1 神经元模型
2.1.2 感知器
2.2 BP神经网络
2.2.1 BP神经网络结构
2.2.2 改进的BP神经网络
习题
第3章 相关数学基础知识
3.1 矩阵
3.1.1 基本概念
3.1.2 矩阵运算
3.2 范数
3.3 卷积运算
3.4 激活函数
3.4.1 线性激活函数
3.4.2 非线性激活函数
3.5 信息熵
习题
第4章 卷积神经网络
4.1 卷积神经网络原理
4.2 LeNet
4.2.1 分层结构
4.2.2 反向传播
4.3 A1exNet
4.3.1 网络结构
4.3.2 网络特点
习题
第5章 卷积神经网络扩展机制
5.1 注意力机制
5.1.1 注意力机制的分类
5.1.2 深度学习中的注意力机制
5.2 卷积变体
5.2.1 分组卷积
5.2.2 深度可分离卷积
5.2.3 膨胀卷积
5.2.4 全卷积网络
5.2.5 可变形卷积
习题
第6章 深度学习中涉及的相关网络
6.1 循环神经网络
6.1.1 网络结构
6.1.2 RNN的类型
6.1.3 RNN反向传播
6.2 LSTM
6.2.1 遗忘门
6.2.2 输入门
6.2.3 细胞更新
6.2.4 输出门
6.3 生成式对抗网络
6.3.1 前向传播过程
6.3.2 优化训练过程
6.4 特征金字塔网络
6.4.1 基本概念
6.4.2 特征金字塔的应用
习题
第7章 自编码器
7.1 相关概念
7.2 自编码器原理
713 自编码器的拓展网络
7.3.1 稀疏自编码器
7.3.2 栈式自编码器
7.3.3 其他自编码器
习题
第8章 损失函数与优化算法
8.1 正则化与归一化
8.1.1 参数范数惩罚
8.1.2 Dropout
8.1.3 归一化
8.2 损失函数
8.2.1 交叉熵损失函数
8.2.2 其他损失函数
8.3 基于梯度的优化方法
8.3.1 基本算法
8.3.2 自适应学习率算法
习题
第9章 深度学习中的相关问题
9.1 拟合
9.1.1 数据增强
9.1.2 正则化
9.2 梯度消失和梯度爆炸
9.3 卷积神经网络的压缩
9.3.1 核的稀疏化
9.3.2 剪枝
9.3.3 模型量化
9.3.4 模型蒸馏
习题
第10章 深度学习中的性能指标
10.1 分类指标
10.2 指标曲线
10.2.1 ROC曲线
10.2.2 如何画ROC曲线
10.2.3 AUC
10.3 分割指标
10.3.1 分割指标概述
10.3.2 常用的几种分割指标
10.4 模型复杂度
10.4.1 参数量
10.4.2 计算量
习题
网络应用篇
第11章 图像数据集
11.1 图像分类数据集
11.2 语义分割数据集
11.3 细粒度图像分类通用数据集
11.4 目标变化检测数据集
第12章 典型卷积神经网络
12.1 GoogLeNet网络
12.2 ResNet网络
12.3 ShuffieNet网络
12.4 Mobi1eNet网络
12.4.1 网络结构
12.4.2 Mobi1eNet V2
12.4.3 Mobi1eNet V3
第13章 基于深度学习的语义分割算法
13.1 传统语义分割算法
13.2 典型卷积语义分割算法
13.2.1 全卷积类语义分割网络
13.2.2 金字塔类语义分割网络
13.2.3 注意力机制类语义分割网络
13.3 PSPNet程序分析与实现
13.3.1 数据集处理
13.3.2 主干网搭建
13.3.3 PSPNet搭建
第14章 基于深度学习的目标检测
14.1 两阶段目标检测算法
14.1.1 R-CNN算法框架
14.1.2 FasterR-CNN算法
14.2 端到端目标检测方法
14.2.1 YOL0系列算法
14.2.2 FCOS
14.3 YOLO V3目标检测程序分析与实现
14.3.1 数据读取
14.3.2 模块搭建
14.3.3 程序训练与测试
第15章 基于深度学习的细粒度图像分类模型
15.1 细粒度图像分类模型
15.1.1 基于高阶编码形式
15.1.2 基于网络集成的方法
15.1.3 基于定位.识别的方法
15.2 基于定位.识别方法的程序分析与实现
15.2.1 数据集处理
15.2.2 主干网络搭建
15.21 3 WS.DAN网络搭建
第16章 基于深度学习的实例分割算法
16.1 典型实例分割算法
16.1.1 MaskR-CNN
16.1.2 Po1ar Mask
16.1.3 Yo1act