目录

第1章从“机器学习”讲起

1.1走近“机器学习”

1.1.1什么是“机器学习”

1.1.2机器学习的主要任务

1.1.3机器学习的分类

1.1.4什么是“深度学习”

1.1.5机器学习的应用举例

经验分享： 对“智能”的理解

扩展阅读： “人工智能”的发展

扩展阅读： “人工智能”的最新发展——生成式AI大模型

1.2解读“机器学习的过程”

1.2.1机器学习的过程

1.2.2机器学习中的数据集

1.2.3过拟合与欠拟合

经验分享： “机器学习”与“雕刻时光”

经验分享： 如何解决机器学习中的“过犹不及”

1.3典型的机器学习算法——SVM

1.3.1“支持向量机”名字的由来

1.3.2SVM分类器的形式

1.3.3如何找到最佳分类线

1.3.4基于SVM的多分类问题

1.4思考与练习

第2章解析“人工神经网络”

2.1神经元——人工神经网络的基础

2.1.1生物神经元

2.1.2人工神经元

2.1.3激活函数

2.2神经网络的结构及工作原理

2.2.1神经网络的结构组成

2.2.2神经网络的工作原理

2.2.3一些常见的概念

扩展阅读： 人工神经网络发展简史

经验分享： 从仿生学的角度看神经网络的局限性

2.3从数学角度来认识神经网络

2.3.1本书中采用的符号及含义

2.3.2神经元的激活

2.3.3神经网络的学习

2.3.4寻找损失函数最小值——梯度下降法

2.3.5误差反向传播

2.3.6基于误差反向传播的参数更新流程

经验分享： 形象地理解梯度下降法

扩展阅读： 随机梯度下降优化算法

经验分享： 形象地理解反向传播算法

2.4如何基于神经网络进行分类

2.4.1基于神经网络实现二分类

2.4.2基于神经网络实现多分类

扩展阅读： 交叉熵

2.5思考与练习

第3章探索“卷积神经网络”

3.1深入浅出话“卷积”

3.1.1卷积的运算过程

3.1.2卷积核对输出结果的影响

3.1.3卷积运算在图像特征提取中的应用

扩展阅读： 数字图像处理的基础知识

编程体验1： 读入一幅数字图像并显示

编程体验2： 基于MATLAB实现二维图像的滑动卷积

3.2解析“卷积神经网络”

3.2.1从ImageNet 挑战赛说起

3.2.2卷积神经网络的结构

3.2.3卷积层的工作原理

3.2.4非线性激活函数的工作原理

3.2.5池化层的工作原理

3.2.6卷积神经网络与全连接神经网络的区别

3.2.7从仿生学角度看卷积神经网络

扩展阅读： 创建ImageNet挑战赛初衷

3.3从数学的角度看卷积神经网络

3.3.1本书中采用的符号及含义

3.3.2从数学角度看卷积神经网络的工作过程

3.3.3如何求代价函数

3.3.4采用误差反向传播法确定卷积神经网络的参数

3.4认识经典的“卷积神经网络”

3.4.1解析LeNet5卷积神经网络

3.4.2具有里程碑意义的AlexNet

3.4.3VGG16卷积神经网络的结构和参数

3.4.4卷积神经网络为何会迅猛发展

3.5思考与练习

第4章基于MATLAB深度学习工具箱的实现与调试

4.1构造一个用于分类的卷积神经网络

4.1.1实例需求

4.1.2开发环境

4.1.3开发步骤

4.1.4常用的构造卷积神经网络的函数

4.1.5构造卷积神经网络

4.1.6程序实现

扩展阅读： 批量归一化层的作用

归纳总结： 深度神经网络训练过程中常见超参的含义

编程体验： 改变卷积神经网络的结构

4.2训练一个用于预测的卷积神经网络

4.2.1实例需求

4.2.2开发步骤

4.2.3构建卷积神经网络

4.2.4训练卷积神经网络

4.2.5程序实现

扩展阅读1： 设置学习率的经验与技巧

扩展阅读2： 随机失活方法(dropout)的作用

扩展阅读3： 小批量方法（minibatch）的作用

编程体验： 改变网络训练配置参数

4.3采用迁移学习进行物体识别

4.3.1站在巨人的肩膀上——迁移学习

4.3.2实例需求

4.3.3开发步骤

4.3.4可直接加载的网络及方法

4.3.5如何对网络结构和样本进行微调

4.3.6函数解析

4.3.7程序实现及运行效果

扩展阅读： 多角度看“迁移学习”

经验分享： “迁移学习”中的微调技术

4.4采用深度网络设计器实现卷积网络设计

4.4.1什么是深度网络设计器

4.4.2如何打开深度网络设计器

4.4.3需求实例

4.4.4在深度网络设计器中构建卷积神经网络

4.4.5对网络进行训练与验证

4.4.6深度网络设计器的检验功能

4.5采用深度网络设计器实现迁移学习

4.5.1基于深度网络设计器的网络结构调整

4.5.2对网络进行训练

4.6如何显示、分析卷积神经网络

4.6.1如何查看训练好的网络的结构和信息

4.6.2如何画出深度网络的结构图

4.6.3如何用analyzeNetwork函数查看与分析网络

4.7如何加载深度学习工具箱可用的数据集

4.7.1如何加载MATLAB自带的数据集

4.7.2如何加载自己制作的数据集

4.7.3如何加载网络下载的数据集——以CIFAR10为例

4.7.4如何划分训练集与验证集

编程体验： 基于CIFAR10数据集训练卷积神经网络

4.8如何构造一个具有捷径连接的卷积神经网络

4.8.1本节用到的函数

4.8.2实例需求

4.8.3创建含有捷径连接的卷积神经网络的实现步骤

4.8.4程序实现

4.8.5对捷径连接网络进行结构检查

编程体验： 采用例程4.8.2所构建的卷积神经网络进行图像分类

4.9思考与练习

第5章应用案例深度解析

5.1基于卷积神经网络的图像分类

5.1.1什么是图像分类

5.1.2评价分类的指标

5.1.3基于深度学习和数据驱动的图像分类

5.1.4传统的图像分类与基于深度学习的图像分类的区别

5.1.5基于AlexNet的图像分类

5.1.6基于GoogLeNet的图像分类

5.1.7基于卷积神经网络的图像分类抗干扰性分析

扩展阅读： 计算机视觉的发展之路

编程体验： 体验GoogLeNet识别图像的抗噪声能力

扩展阅读： AI“隐身衣”

5.2基于LeNet卷积神经网络的交通灯识别

5.2.1实例需求

5.2.2卷积神经网络设计

5.2.3加载交通灯数据集

5.2.4程序实现

5.3融合卷积神经网络与支持向量机的图像分类

5.3.1整体思路

5.3.2本节所用到的函数

5.3.3实现步骤与程序

编程体验： 基于AlexNet和SVM的图像分类

5.4基于RCNN的交通标志检测

5.4.1目标分类、检测与分割

5.4.2目标检测及其难点问题

5.4.3RCNN目标检测算法的原理及实现过程

5.4.4实例需求

5.4.5实现步骤

5.4.6本节所用到的函数

5.4.7程序实现

5.4.8基于AlexNet迁移学习的RCNN实现

5.4.9基于Image Labeler的RCNN目标检测器构建

5.5基于Video Labeler与RCNN的车辆检测

5.5.1实例需求

5.5.2实现步骤

5.6基于YOLO v4的车辆目标检测

5.6.1YOLO目标检测原理概述

5.6.2实例需求

5.6.3实现步骤

5.6.4本节所用到的函数

5.6.5程序实现

5.7思考与练习

参考文献