目录 译者序 原书前言 第1章 本书概要及准备工作 1 1.1 本书概要1 1.1.1 深度学习的成果1 1.1.2 本书学习内容———图像分类、目标检测、强化学习 3 1.1.3 本书学习方法———预训练模型的利用 3 1.2 本书使用的数据集5 1.3 本书使用的硬件及软件6 1.3.1 使用框架 6 1.3.2 GPU的使用 7 1.3.3 准备硬件———改造游戏用计算机 8 1.3.4 OS与中间件 9 1.4 软件安装10 1.4.1 OS的安装 10 1.4.2 中间件的安装 16 1.5 程序下载23 1.5.1 下载文档 23 1.5.2 下载文档的解压缩 24 第2章 网络结构 26 2.1 前馈神经网络26 2.1.1 全连���神经网络简介 27 2.1.2 卷积神经网络简介 27 2.2 卷积神经网络28 2.2.1 卷积层 28 2.2.2 池化层 31 2.2.3 上采样层 31 2.3 本书使用的网络模型32 第3章 基本术语 33 3.1 深度学习操作概要33 3.2 激活函数35 3.3 损失函数37 3.4 随机梯度下降法40 3.4.1 权值更新计算示例 40 3.4.2 动量 44 3.5 误差反向传播算法45 3.6 过拟合47 3.6.1 基于验证数据集的epoch数设置 47 3.6.2 正则化 49 3.6.3 dropout 50 3.7 数据扩充与预处理50 3.8 预训练模型52 3.9 学习率的调整54 第4章 图像识别分类 57 4.1 概要57 4.2 公共数据的制作59 4.2.1 下载图像数据集 59 4.2.2 数据提取和基础数据集的制作 60 4.2.3 数据扩充和公共数据集的制作 634.3 基于9层神经网络的识别分类66 4.3.1 网络概要 66 4.3.2 训练与模型搭建 67 4.3.3 模型读取和估测实操 73 4.3.4 实操示例 75 4.4 基于VGG- 16的识别分类——— 16层预训练模型80 4.4.1 VGG- 16概要 80 4.4.2 程序概要 82 4.4.3 实操示例 84 4.5 基于ResNet- 152的识别分类———152层预训练模型87 4.5.1 ResNet概要 87 4.5.2 实操环境安装 88 4.5.3 程序概要 89 4.5.4 实操示例 93 4.6 估测精度的进一步提升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 目标检测 107 5.1 目标定位———26层网络107 5.1.1 目标定位、尺寸及种类的估测 107 5.1.2 使用软件及特征 108 5.1.3 实操环境的安装 109 5.1.4 基于预训练模型的目标检测 110 5.1.5 基于目标特征提取的目标 检测 112 5.2 目标形状识别———23层网络120 5.2.1 目标位置、大小及形状的估测 120 5.2.2 使用模型及特征 120 5.2.3 程序概要 123 5.2.4 实操示例 128 第6章 强化学习———训练擅长井字棋游戏的计算机 133 6.1 强化学习133 6.1.1 强化学习概述 133 6.1.2 Q学习 133 6.1.3 DQN 136 6.2 基础框架137 6.2.1 环境与Agent 137 6.2.2 命令处理概要 139 6.2.3 环境内规则 140 6.3 实操环境的安装140 6.4 Q学习与深度学习143 6.5 实操示例147 附录 150 附录AYolo用“目标位置信息”的生成方法150 A.1 安装BBox- Lable- Tool 150 A.2 生成“目标位置信息” 151 附录B 源程序代码155 参考文献