深度學習算法與實踐

第1章 深度學習基礎
1.1 人工智能概述
1.1.1 人工智能在各領域中的應用
1.1.2 人工智能、機器學習和深度學習
1.2 深度學習的基本原理
1.2.1 神經(jīng)元
1.2.2 人工神經(jīng)網(wǎng)絡
1.2.3 反向傳播算法
1.2.4 神經(jīng)網(wǎng)絡的數(shù)據(jù)結構——張量
1.3 卷積神經(jīng)網(wǎng)絡
1.3.1 卷積層
1.3.2 池化層
1.3.3 歸一化層
1.3.4 全連接層
1.3.5 Softmax函數(shù)
1.3.6 損失函數(shù)
1.3.7 卷積神經(jīng)網(wǎng)絡的特點
1.3.8 卷積神經(jīng)網(wǎng)絡的發(fā)展
1.4 遷移學習
1.5 模型訓練超參數(shù)
1.6 深度學習在計算機視覺中的典型應用
1.7 數(shù)據(jù)集
1.7.1 數(shù)據(jù)集的劃分
1.7.2 數(shù)據(jù)集的預處理
1.7.3 數(shù)據(jù)集的標注
1.7.4 常用數(shù)據(jù)集
1.8 深度學習框架
1.9 深度學習的計算特點
第2章 深度學習的計算平臺
2.1 神經(jīng)網(wǎng)絡計算加速芯片
2.1.1 神經(jīng)網(wǎng)絡的計算特點
2.1.2 神經(jīng)網(wǎng)絡的計算芯片
2.2 TPU架構與原理
2.2.1 谷歌TPU架構與原理
2.2.2 算能TPU架構與原理
2.3 算能TPU硬件架構及產(chǎn)品形態(tài)
2.3.1 算能TPU的芯片硬件架構
2.3.2 算能TPU的產(chǎn)品形態(tài)
2.4 算能TPU軟件架構
2.4.1 實時視頻流處理方案
2.4.2 深度學習軟件開發(fā)工具包
2.4.3 離線模型轉換
2.4.4 在線模型推理
2.4.5 自定義算子
2.4.6 模型量化加速
2.4.7 接口編程庫
第3章 深度學習編程環(huán)境操作基礎
3.1 Linux入門
3.1.1 Linux系統(tǒng)的安裝簡介
3.1.2 Linux系統(tǒng)的常用命令
3.1.3 Linux的文本編輯器
3.2 Python入門
3.2.1 Python環(huán)境的安裝和使用
3.2.2 PyCharm集成開發(fā)環(huán)境的安裝和使用
3.2.3 常用Python庫
3.2.4 Python虛擬環(huán)境
3.3 TensorFlow入門
3.3.1 TensorFlow的安裝
3.3.2 TensorFlow的基本操作
3.3.3 使用TensorFlow實現(xiàn)手寫數(shù)字識別
3.4 PyTorch入門
3.4.1 PyTorch的安裝
3.4.2 PyTorch的基本操作
3.4.3 使用PyTorch實現(xiàn)手寫數(shù)字識別
3.5 SE5平臺開發(fā)環(huán)境
3.5.1 SE5應用系統(tǒng)開發(fā)的硬件環(huán)境
3.5.2 SE5應用系統(tǒng)開發(fā)的軟件環(huán)境
第4章 圖像分類
4.1 圖像分類任務介紹
4.2 典型分類網(wǎng)絡解析
4.2.1 LeNet-5手寫數(shù)字識別神經(jīng)網(wǎng)絡
4.2.2 AlexNet圖像分類網(wǎng)絡
4.2.3 VGGNet圖像分類網(wǎng)絡
4.2.4 GoogLeNet圖像分類網(wǎng)絡
4.2.5 ResNet殘差圖像分類網(wǎng)絡
4.2.6 DenseNet密集連接卷積網(wǎng)絡
4.2.7 SENet壓縮-激勵圖像分類網(wǎng)絡
4.3 實踐項目一：基于LeNet-5神經(jīng)網(wǎng)絡的手寫數(shù)字識別
4.3.1 實踐項目內容
4.3.2 微調的LeNet-5網(wǎng)絡結構
4.3.3 TensorFlow 2.x框架下程序實現(xiàn)
4.3.4 LeNet-5模型訓練和測試過程
4.3.5 LeNet-5網(wǎng)絡模型在SE5上的部署
4.4 實踐項目二：基于ResNet神經(jīng)網(wǎng)絡的貓狗分類
4.4.1 實踐項目內容
4.4.2 Dogs vs. Cats數(shù)據(jù)集簡介
4.4.3 ResNet18網(wǎng)絡結構
4.4.4 PyTorch框架下程序實現(xiàn)
4.4.5 ResNet18模型訓練和測試過程
4.4.6 ResNet18網(wǎng)絡模型在SE5上的部署
第5章 目標檢測
5.1 目標檢測任務介紹
5.1.1 目標檢測任務
5.1.2 預備知識
5.1.3 評估準則
5.2 兩階段目標儉測算法
5.2.1 R-CNN
5.2.2 Fast R-CNN
5.2.3 Faster R-CNN
5.3 單階段目標檢測算法
5.3.1 YOLOv1
5.3.2 YOLOv2
5.3.3 YOLOv3
5.3.4 YOLOv4
5.3.5 YOLOv5
5.3.6 FCOS
5.3.7 DETR
5.4 實踐項目：基于YOLOv5s的目標檢測
5.4.1 實踐項目內容
5.4.2 YOLOv5s網(wǎng)絡結構
5.4.3 PyTorch框架下程序實現(xiàn)
5.4.4 YOLOv5s網(wǎng)絡模型訓練和測試過程
5.4.5 YOLOv5s網(wǎng)絡模型在SE5上的部署
第6章 語義分割
6.1 語義分割任務介紹
6.1.1 語義分割任務
6.1.2 預備知識
6.1.3 評估準則
6.2 典型語義分割網(wǎng)絡
6.2.1 FCN
6.2.2 U-Net
6.2.3 SegNet
6.2.4 PSPNet
6.2.5 ICNet
6.2.6 DeepLab系列
6.3 實踐項目：基于ICNet的語義分割
6.3.1 實踐項目內容
6.3.2 數(shù)據(jù)集
6.3.3 ICNet網(wǎng)絡結構
6.3.4 TensorFlow框架下程序實現(xiàn)
6.3.5 ICNet網(wǎng)絡模型訓練和測試過程
6.3.6 ICNet網(wǎng)絡模型在SE5上的部署
第7章 實例分割
7.1 實例分割任務介紹
7.1.1 實例分割任務
7.1.2 評估準則
7.2 典型實例分割網(wǎng)絡
7.2.1 Mask R-CNN
7.2.2 YOLACT與YOLACT++
7.2.3 SOLO和SOLOv2
7.3 實踐項目：基于Mask R-CNN的實例分割
7.3.1 實踐項目內容
7.3.2 Mask R-CNN網(wǎng)絡結構
7.3.3