前言
关于作者
关于审阅者
第1章 深度神经网络概述
1.1 创建神经网络块
1.2 TensorFlow介绍
1.3 MNIST数据集介绍
1.4 Keras深度学习库概述
1.5 基于Keras和MNIST的手写数字识别
1.5.1 训练和测试数据的检索
1.5.2 训练数据的可视化
1.5.3 创建神经网络
1.5.4 训练神经网络
1.5.5 测试
1.6 理解反向传播
1.7 本章小结
第2章 卷积神经网络介绍
2.1 CNN历史
2.2 卷积神经网络
2.2.1 计算机如何解释图像
2.2.2 编码实现图像可视化
2.2.3 dropout
2.2.4 输入层
2.2.5 卷积层
2.2.6 池化层
2.3 实践示例：图像分类
2.4 本章小结
第3章 构建CNN并进行性能优化
3.1 CNN架构和DNN的缺点
3.1.1 卷积操作
3.1.2 池化、步长和填充操作
3.2 TensorFlow中的卷积和池化操作
3.2.1 在TensorFlow中应用池化操作
3.2.2 TensorFlow中的卷积操作
3.3 训练CNN
3.3.1 初始化权重和偏置
3.3.2 正则化
3.3.3 激活函数
3.4 创建、训练和评估第一个CNN
3.5 模型性能优化
3.5.1 隐含层数量
3.5.2 每个隐含层的神经元个数
3.5.3 批标准化
3.5.4 高级正则化及过拟合的避免
3.5.5 运用哪个优化器
3.5.6 内存调优
3.5.7 层的位置调优
3.5.8 综合所有操作创建第二个CNN
3.5.9 数据集描述和预处理
3.5.10 创建CNN模型
3.5.11 训练和评估网络
3.6 本章小结
第4章 经典的CNN模型架构
4.1 ImageNet介绍
4.2 LeNet
4.3 AlexNet架构
4.4 VGGNet架构
4.5 GoogLeNet架构
4.5.1 架构洞察
4.5.2 inception模块
4.6 ResNet架构
4.7 本章小结
第5章 转移学习
5.1 特征提取方法
5.1.1 目标数据集较小且与原始训练集相似
5.1.2 目标数据集较小且与原始训练集不同
5.1.3 目标数据集很大且与原始训练集相似
5.1.4 目标数据集很大且与原始训练集不同
5.2 转移学习示例
5.3 多任务学习
5.4 本章小结
第6章 CNN自编码器
6.1 自编码器介绍
6.2 卷积自编码器
6.3 应用
6.4 本章小结
第7章 CNN目标检测与实例分割
7.1 目标检测与图像分类的区别
7.2 传统的、非CNN的目标检测方法
7.3 R-CNN：CNN特征区
7.4 Fast R-CNN：基于区域快速识别的CNN
7.5 Faster R-CNN：基于快速区域生成网络的CNN
7.6 Mask R-CNN：CNN实例分割
7.7 实例分割的代码实现
7.7.1 创建环境
7.7.2 准备COCO数据集文件夹结构
7.7.3 在COCO数据集上运行预训练模型
7.8 参考文献
7.9 本章小结
第8章 GAN：使用CNN生成新图像
8.1 Pix2pix：基于GAN的图像翻译
8.1.1 CycleGAN
8.1.2 训练GAN模型
8.2 GAN的代码示例
8.2.1 计算损失
8.2.2 半监督学习和GAN
8.3 特征匹配
8.3.1 基于半监督分类的GAN示例
8.3.2 深度卷积GAN
8.4 本章小结
第9章 CNN和视觉模型的注意力机制
9.1 图像描述中的注意力机制
9.2 注意力类型
9.2.1 硬注意力
9.2.2 软注意力
9.3 运用注意力改善视觉模型
9.3.1 视觉CNN模型次优性能的原因
9.3.2 循环视觉注意力模型
9.4 参考文献
9.5 本章小结

卷积神经网络（CNN）正在对视觉识别系统、自动驾驶汽车、医学发现、创新电子商务等多个应用领域产生革命性的影响。本书首先基于图像分类的例子概述深度神经网络，并为人脸识别构建一个CNN。随后构建一个高级视觉相关算法，用于目标检测、实例分割、生成式对抗网络、图像描述、视觉注意力机制和视觉循环模型。本书完结时，你应该可以在专业项目中利用复杂的图像、视频数据来实现先进和高效的CNN模型。
本书内容：
构建CNN模型，了解它们的实际应用领域
建立一个CNN图像分类器模型，理解不同组件的相互作用，然后学习如何优化
学习用于目标检测和实例分割的不同算法
学习诸如CNN注意力机制等先进的概念以提高预测精度
理解转移学习，并实现如AlexNet、VGG、GoogLeNet、ResNet等CNN结构设计
了解生成式对抗网络的工作原理，以及如何创建新的不可见的图像