譯者序
原書前言

第1章 本書概要及準備工作 1
1.1 本書概要1
1.1.1 深度學習的成果1
1.1.2 本書學習內容———圖像分類、目標檢測、強化學習 3
1.1.3 本書學習方法———預訓練模型的利用 3
1.2 本書使用的數據集5
1.3 本書使用的硬件及軟件6
1.3.1 使用框架 6
1.3.2 GPU的使用 7
1.3.3 準備硬件———改造游戲用計算機 8
1.3.4 OS與中間件 9
1.4 軟件安裝10
1.4.1 OS的安裝 10
1.4.2 中間件的安裝 16
1.5 程序下載23
1.5.1 下載文檔 23
1.5.2 下載文檔的解壓縮 24

第2章 網絡結構 26
2.1 前饋神經網絡26
2.1.1 全連接神經網絡簡介 27
2.1.2 卷積神經網絡簡介 27
2.2 卷積神經網絡28
2.2.1 卷積層 28
2.2.2 池化層 31
2.2.3 上采樣層 31
2.3 本書使用的網絡模型32

第3章 基本術語 33
3.1 深度學習操作概要33
3.2 激活函數35
3.3 損失函數37
3.4 隨機梯度下降法40
3.4.1 權值*新計算示例 40
3.4.2 動量 44
3.5 誤差反向傳播算法45
3.6 過擬合47
3.6.1 基于驗證數據集的epoch數設置 47
3.6.2 正則化 49
3.6.3 dropout 50
3.7 數據擴充與預處理50
3.8 預訓練模型52
3.9 學習率的調整54

第4章 圖像識別分類 57
4.1 概要57
4.2 公共數據的制作59
4.2.1 下載圖像數據集 59
4.2.2 數據提取和基礎數據集的制作 60
4.2.3 數據擴充和公共數據集的制作 634.3 基于9層神經網絡的識別分類66
4.3.1 網絡概要 66
4.3.2 訓練與模型搭建 67
4.3.3 模型讀取和估測實操 73
4.3.4 實操示例 75
4.4 基于VGG-16的識別分類——— 16層預訓練模型80
4.4.1 VGG- 16概要 80
4.4.2 程序概要 82
4.4.3 實操示例 84
4.5 基于ResNet-152的識別分類———152層預訓練模型87
4.5.1 ResNet概要 87
4.5.2 實操環境安裝 88
4.5.3 程序概要 89
4.5.4 實操示例 93
4.6 估測精度的進一步提升98
4.6.1 概要 98
4.6.2 多模型的利用 100
4.6.3 Stacked Generalization 103
4.6.4 Self Training 103

第5章 目標檢測 107
5.1 目標定位———26層網絡107
5.1.1 目標定位、尺寸及種類的估測 107
5.1.2 使用軟件及特征 108
5.1.3 實操環境的安裝 109
5.1.4 基于預訓練模型的目標檢測 110
5.1.5 基于目標特征提取的目標 檢測 112
5.2 目標形狀識別———23層網絡120
5.2.1 目標位置、大小及形狀的估測 120
5.2.2 使用模型及特征 120
5.2.3 程序概要 123
5.2.4 實操示例 128

第6章 強化學習———訓練擅長井字棋游戲的計算機 133
6.1 強化學習133
6.1.1 強化學習概述 133
6.1.2 Q學習 133
6.1.3 DQN 136
6.2 基礎框架137
6.2.1 環境與Agent 137
6.2.2 命令處理概要 139
6.2.3 環境內規則 140
6.3 實操環境的安裝140
6.4 Q學習與深度學習143
6.5 實操示例147

附錄 150
附錄A Yolo用“目標位置信息”的生成方法150
A.1 安裝BBox- Lable- Tool 150
A.2 生成“目標位置信息” 151
附錄B 源程序代碼155
參考文獻