深度学习500问——AI工程师面试宝典_图书

本书系统地描述了深度学习的基本理论算法及应用。全书共14章，第1~3章论述了数学基础、机器学习基础和深度学习基础；第4~7章介绍了一些经典网络及计算机视觉领域中常用的CNN、RNN、GAN等网络结构技术；第8~9章介绍了深度学习在计算机视觉领域的目标检测及图像分割两大应用；第10~14章介绍了计算机视觉领域主要的优化方法及思路等，包括迁移学习、网络架构及训练、网络优化技巧、超参数调整及模型的压缩和加速等。本书凝聚了众多一线科研人员及工程师的经验，旨在培养读者发现问题、解决问题、扩展问题的能力。本书内容取材于编者在日常学习过程中总结的知识点及各大公司常见的笔试、面试题。本书可为高等院校计算机科学、信息科学、人工智能、控制科学与工程、电子科学与技术等领域的研究及教学人员提供参考，也可为相关专业本科生及研究生提供思考方向，还可为深度学习及计算机视觉领域的初、中级研究人员和工程技术人员提供参考，尤其适合需要查漏补缺的应聘者及提供相关岗位的面试官阅读。

作者

谈继勇主编

南方科技大学和哈尔滨工业大学联合培养博士（在读），现任瀚维智能医疗技术总监，深圳工信局专家库专家，兼任南方科技大学、四川大学研究生企业导师，南方科技大学和瀚维智能医疗联合实验室副主任，北京探工所特聘技术专家，曾先后在中科院信工所、香港中文大学（深圳）、FOXCONN机器人与人工智能实验室、顺丰科技等单位任职。主要专注于智能感知与控制、实时智能与计算机视觉方向的研究，主持/主研国家自然科学基金、省重点研发计划、深圳战略性新兴产业计划等项目20余项，发表SCI/EI论文20余篇，申请发明专利40余项，获全国发明金奖。

郭子钊副主编

四川大学计算机科学专业博士，硕士毕业于四川大学自动化系，主要从事AI芯片、深度学习、行为检测识别、人脸检测识别等相关研究工作。

李剑副主编

同济大学计算机科学专业博士，浙江农林大学副教授、硕士生导师，主要从事推荐系统、排序学习、凸优化等机器学习领域的科研和教学工作，发表SCI论文10余篇，曾获浙江省科技进步二等奖等多项省部级奖项。

佃松宜副主编

日本东北大学博士，四川大学电气工程学院教授、自动化系系主任，四川省信息与自动化技术重点实验室主任。主要专注于先进控制理论与人工智能算法研究、嵌入式计算与实时智能系统的研究与开发、机器人与智能装备的智能感知与控制技术的研究、工业测控与智能物联的研究。近5年来主持包括国家重点研发计划、基金、国网总部项目等各类科研项目近30项，累计总经费近2200万元；发表论文100多篇，其中SCI/EI检索近40篇，ESI高引论文1篇。参与编撰专著3部（其中英文专著1部），参编国家九五规划教材1部。

王晋东特邀编委

中科院计算所博士，微软亚洲研究院机器学习研究员，主要从事迁移学习和机器学习方向的研究工作，在IJCAI、CVPR、ICDM、UbiComp、ACMMM、PERCOM、IJCNN、PRICAI、IEEE TNNLS、NEUNET、PRL、PMCJ、IMWUT、IJMLC、ICME、ACM TIST等国际权威期刊和会议上发表论文20余篇，多次获得“最佳论文”奖。作品有《迁移学习简明手册》等。

王超锋

上海大学硕士，百度计算机视觉算法工程师，主研图像处理，深度学习等方向。曾多次在国内外各类知名计算机视觉挑战赛中获得优异成绩。郭晓锋中国科学院硕士，爱奇艺算法工程师，主要从事图像处理、深度学习等方向的研究，曾获“2017华为软件精英挑战赛”复赛第6名。

黄伟华

南理工大学硕士，顺丰科技机器人算法工程师，主要从事计算机视觉和自然语言处理方向的研究。曾在相关领域国际期刊、会议上发表论文，并在相关竞赛中获得优异成绩。

陈方杰

（Amusi）上海大学硕士，CVer（计算机视觉知识分享和学习交流平台）创始人。

李元伟

国防科技大学硕士，深圳瀚维智能医疗科技公司高级算法工程师，南方科技大学和瀚维智能医疗联合实验室委员，主要从事机器视觉、图像处理及深度学习方向的研究工作，参编普通高等教育十三五规划教材《图像通信基础》，在IEEE TCSVT、COGN COMPUT等发表学术论文多篇，曾获湖南省/全军优秀硕士论文。

陈琳

北京航空航天大学博士（在读），研究方向为无人机智能控制与决策、仿生智能计算。

查看全部

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

4.1LeNet-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 MaskR-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

查看全部

书评

请您登录后发表评论登录 | 注册

我的评分：

提交

0/400