深度学习500问：AI工程师面试宝典

14.10 移动端开源框架部署

14.9 现有的移动端开源框架及其特点

14.8 常用的轻量级网络

14.7 高效CNN网络设计的准则

14.6 如何选择压缩和加速方法

14.5 模型优化加速方法

14.4 网络压缩的未来研究方向

14.3 模型压缩方法

14.2 为什么需要模型压缩和加速

14.1 模型压缩

第14章 模型压缩、加速和移动端部署

13.5 自动机器学习AutoML

13.4 自动化超参数搜索方法

13.3 合理使用预训练网络

13.2 网络训练中的超参数调整策略

13.1 超参数的概念

第13章 超参数调整

12.7 模型和系统优化

12.6 评价指标

12.5 梯度消失和梯度爆炸

12.4 特征选择

12.3 网络构建和初始化

12.2 数据不匹配问题

12.1 数据集和样本优化

第12章 网络优化技巧

11.5 网络搭建原则及训练技巧

11.4 常见的深度学习分布式框架

11.3 PyTorch

11.2 Caffe

11.1 TensorFlow

第11章 网络构架介绍及训练

10.7 迁移学习研究前沿

10.6 深度迁移学习方法

10.5 分布对齐的常用方法

10.4 迁移学习的基本方法

10.3 迁移学习的应用

10.2 迁移学习的研究领域

10.1 迁移学习基础知识

第10章 迁移学习

9.11 基于弱监督学习的图像分割

9.10 Mask R-CNN作为目标分割的介绍

9.9 DeepLab系列

9.8 PSPNet

9.7 RefineNet

9.6 LinkNet

9.5 SegNet

9.4 U-Net++

9.3 U-Net

9.2 FCN

9.1 常见的图像分割算法

第9章 图像分割

8.5 目标检测常用标注工具

8.4 目标检测的常用数据集

8.3 one-stage目标检测算法

8.2 two-stage目标检测算法

8.1 基本概念

第8章 目标检测

7.7 GAN在其他领域的应用

7.6 GAN的应用：文本生成

7.5 GAN的应用：图像翻译

7.4 GAN的改进与优化

7.3 其他常见的生成模型

7.2 GAN的生成模型评价

7.1 GAN的基本概念

第7章 生成对抗网络

6.9 RNN与条件随机场的结合

6.8 RNN与图像领域的结合举例

6.7 RNN在NLP中的典型应用举例

6.6 常见的RNN结构上的扩展和改进

6.5 长短期记忆网络（LSTM）

6.4 RNN的后向传播

6.3 RNN的性质

6.2 图解RNN基本结构

6.1 为什么需要RNN

第6章 循环神经网络

5.12 卷积神经网络的优化及应用

5.11 CNN可视化

5.10 局部卷积

5.9 卷积神经网络凸显共性的方法

5.8 理解转置卷积与棋盘效应

5.7 二维卷积与三维卷积

5.6 全连接层

5.5 池化层

5.4 激活层

5.3 卷积层

5.2 输入层

5.1 CNN的结构

第5章 卷积神经网络

4.9 CNN模型在GoogLeNet、VGGNet或AlexNet上调整的原因

4.8 DenseNet

4.7 ResNet

4.6 GoogLeNet

4.5 VGGNet

4.4 NIN

4.3 ZFNet

4.2 AlexNet

4.1 LeNet-5

第4章 卷积神经网络的经典网络

3.10 正则化

3.9 学习率

3.8 超参数

3.7 预训练与微调

3.6 参数初始化

3.5 归一化

3.4 Batch Size

3.3 激活函数

3.2 神经网络计算

3.1 基本概念

第3章 深度学习基础

2.15 降维和聚类

2.14 EM算法

2.13 贝叶斯分类器

2.12 支持向量机（SVM）

2.11 决策树

2.10 模型评估

2.9 主成分分析

2.8 线性判别分析

2.7 梯度下降法

2.6 损失函数

2.5 代价函数

2.4 逻辑回归

2.3 分类算法

2.2 机器学习的学习方式

2.1 基本概念

第2章 机器学习基础

1.6 期望、方差、协方差、相关系数

1.5 常见概率分布

1.4 概率分布与随机变量

1.3 特征值和特征向量

1.2 导数和偏导数

1.1 向量和矩阵

第1章 数学基础

前言

推荐序2

推荐序1

内容简介

作者简介

版权信息

封面

封面

版权信息

作者简介

内容简介

推荐序1

推荐序2

前言

第1章 数学基础

1.1 向量和矩阵

1.2 导数和偏导数

1.3 特征值和特征向量

1.4 概率分布与随机变量

1.5 常见概率分布

1.6 期望、方差、协方差、相关系数

第2章 机器学习基础

2.1 基本概念

2.2 机器学习的学习方式

2.3 分类算法

2.4 逻辑回归

2.5 代价函数

2.6 损失函数

2.7 梯度下降法

2.8 线性判别分析

2.9 主成分分析

2.10 模型评估

2.11 决策树

2.12 支持向量机（SVM）

2.13 贝叶斯分类器

2.14 EM算法

2.15 降维和聚类

第3章 深度学习基础

3.1 基本概念

3.2 神经网络计算

3.3 激活函数

3.4 Batch Size

3.5 归一化

3.6 参数初始化

3.7 预训练与微调

3.8 超参数

3.9 学习率

3.10 正则化

第4章 卷积神经网络的经典网络

4.1 LeNet-5

4.2 AlexNet

4.3 ZFNet

4.4 NIN

4.5 VGGNet

4.6 GoogLeNet

4.7 ResNet

4.8 DenseNet

4.9 CNN模型在GoogLeNet、VGGNet或AlexNet上调整的原因

第5章 卷积神经网络

5.1 CNN的结构

5.2 输入层

5.3 卷积层

5.4 激活层

5.5 池化层

5.6 全连接层

5.7 二维卷积与三维卷积

5.8 理解转置卷积与棋盘效应

5.9 卷积神经网络凸显共性的方法

5.10 局部卷积

5.11 CNN可视化

5.12 卷积神经网络的优化及应用

第6章 循环神经网络

6.1 为什么需要RNN

6.2 图解RNN基本结构

6.3 RNN的性质

6.4 RNN的后向传播

6.5 长短期记忆网络（LSTM）

6.6 常见的RNN结构上的扩展和改进

6.7 RNN在NLP中的典型应用举例

6.8 RNN与图像领域的结合举例

6.9 RNN与条件随机场的结合

第7章 生成对抗网络

7.1 GAN的基本概念

7.2 GAN的生成模型评价

7.3 其他常见的生成模型

7.4 GAN的改进与优化

7.5 GAN的应用：图像翻译

7.6 GAN的应用：文本生成

7.7 GAN在其他领域的应用

第8章 目标检测

8.1 基本概念

8.2 two-stage目标检测算法

8.3 one-stage目标检测算法

8.4 目标检测的常用数据集

8.5 目标检测常用标注工具

第9章 图像分割

9.1 常见的图像分割算法

9.2 FCN

9.3 U-Net

9.4 U-Net++

9.5 SegNet

9.6 LinkNet

9.7 RefineNet

9.8 PSPNet

9.9 DeepLab系列

9.10 Mask R-CNN作为目标分割的介绍

9.11 基于弱监督学习的图像分割

第10章 迁移学习

10.1 迁移学习基础知识

10.2 迁移学习的研究领域

10.3 迁移学习的应用

10.4 迁移学习的基本方法

10.5 分布对齐的常用方法

10.6 深度迁移学习方法

10.7 迁移学习研究前沿

第11章 网络构架介绍及训练

11.1 TensorFlow

11.2 Caffe

11.3 PyTorch

11.4 常见的深度学习分布式框架

11.5 网络搭建原则及训练技巧

第12章 网络优化技巧

12.1 数据集和样本优化

12.2 数据不匹配问题

12.3 网络构建和初始化

12.4 特征选择

12.5 梯度消失和梯度爆炸

12.6 评价指标

12.7 模型和系统优化

第13章 超参数调整

13.1 超参数的概念

13.2 网络训练中的超参数调整策略

13.3 合理使用预训练网络

13.4 自动化超参数搜索方法

13.5 自动机器学习AutoML

第14章 模型压缩、加速和移动端部署

14.1 模型压缩

14.2 为什么需要模型压缩和加速

14.3 模型压缩方法

14.4 网络压缩的未来研究方向

14.5 模型优化加速方法

14.6 如何选择压缩和加速方法

14.7 高效CNN网络设计的准则

14.8 常用的轻量级网络

14.9 现有的移动端开源框架及其特点

14.10 移动端开源框架部署