深度學(xué)習(xí)算法與實(shí)踐

第1章 深度學(xué)習(xí)基礎(chǔ)
1.1 人工智能概述
1.1.1 人工智能在各領(lǐng)域中的應(yīng)用
1.1.2 人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)
1.2 深度學(xué)習(xí)的基本原理
1.2.1 神經(jīng)元
1.2.2 人工神經(jīng)網(wǎng)絡(luò)
1.2.3 反向傳播算法
1.2.4 神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)結(jié)構(gòu)——張量
1.3 卷積神經(jīng)網(wǎng)絡(luò)
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(luò)的特點(diǎn)
1.3.8 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
1.4 遷移學(xué)習(xí)
1.5 模型訓(xùn)練超參數(shù)
1.6 深度學(xué)習(xí)在計(jì)算機(jī)視覺中的典型應(yīng)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(yù)處理
1.7.3 數(shù)據(jù)集的標(biāo)注
1.7.4 常用數(shù)據(jù)集
1.8 深度學(xué)習(xí)框架
1.9 深度學(xué)習(xí)的計(jì)算特點(diǎn)
第2章 深度學(xué)習(xí)的計(jì)算平臺(tái)
2.1 神經(jīng)網(wǎng)絡(luò)計(jì)算加速芯片
2.1.1 神經(jīng)網(wǎng)絡(luò)的計(jì)算特點(diǎn)
2.1.2 神經(jīng)網(wǎng)絡(luò)的計(jì)算芯片
2.2 TPU架構(gòu)與原理
2.2.1 谷歌TPU架構(gòu)與原理
2.2.2 算能TPU架構(gòu)與原理
2.3 算能TPU硬件架構(gòu)及產(chǎn)品形態(tài)
2.3.1 算能TPU的芯片硬件架構(gòu)
2.3.2 算能TPU的產(chǎn)品形態(tài)
2.4 算能TPU軟件架構(gòu)
2.4.1 實(shí)時(shí)視頻流處理方案
2.4.2 深度學(xué)習(xí)軟件開發(fā)工具包
2.4.3 離線模型轉(zhuǎn)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(xué)習(xí)編程環(huán)境操作基礎(chǔ)
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(shí)現(xiàn)手寫數(shù)字識(shí)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(shí)現(xiàn)手寫數(shù)字識(shí)別
3.5 SE5平臺(tái)開發(fā)環(huán)境
3.5.1 SE5應(yīng)用系統(tǒng)開發(fā)的硬件環(huán)境
3.5.2 SE5應(yīng)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(wù)介紹
4.2 典型分類網(wǎng)絡(luò)解析
4.2.1 LeNet-5手寫數(shù)字識(shí)別神經(jīng)網(wǎng)絡(luò)
4.2.2 AlexNet圖像分類網(wǎng)絡(luò)
4.2.3 VGGNet圖像分類網(wǎng)絡(luò)
4.2.4 GoogLeNet圖像分類網(wǎng)絡(luò)
4.2.5 ResNet殘差圖像分類網(wǎng)絡(luò)
4.2.6 DenseNet密集連接卷積網(wǎng)絡(luò)
4.2.7 SENet壓縮-激勵(lì)圖像分類網(wǎng)絡(luò)
4.3 實(shí)踐項(xiàng)目一：基于LeNet-5神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別
4.3.1 實(shí)踐項(xiàng)目內(nèi)容
4.3.2 微調(diào)的LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)
4.3.3 TensorFlow 2.x框架下程序?qū)崿F(xiàn)
4.3.4 LeNet-5模型訓(xùn)練和測試過程
4.3.5 LeNet-5網(wǎng)絡(luò)模型在SE5上的部署
4.4 實(shí)踐項(xiàng)目二：基于ResNet神經(jīng)網(wǎng)絡(luò)的貓狗分類
4.4.1 實(shí)踐項(xiàng)目內(nèi)容
4.4.2 Dogs vs. Cats數(shù)據(jù)集簡介
4.4.3 ResNet18網(wǎng)絡(luò)結(jié)構(gòu)
4.4.4 PyTorch框架下程序?qū)崿F(xiàn)
4.4.5 ResNet18模型訓(xùn)練和測試過程
4.4.6 ResNet18網(wǎng)絡(luò)模型在SE5上的部署
第5章 目標(biāo)檢測
5.1 目標(biāo)檢測任務(wù)介紹
5.1.1 目標(biāo)檢測任務(wù)
5.1.2 預(yù)備知識(shí)
5.1.3 評估準(zhǔn)則
5.2 兩階段目標(biāo)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(biāo)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(shí)踐項(xiàng)目：基于YOLOv5s的目標(biāo)檢測
5.4.1 實(shí)踐項(xiàng)目內(nèi)容
5.4.2 YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)
5.4.3 PyTorch框架下程序?qū)崿F(xiàn)
5.4.4 YOLOv5s網(wǎng)絡(luò)模型訓(xùn)練和測試過程
5.4.5 YOLOv5s網(wǎng)絡(luò)模型在SE5上的部署
第6章 語義分割
6.1 語義分割任務(wù)介紹
6.1.1 語義分割任務(wù)
6.1.2 預(yù)備知識(shí)
6.1.3 評估準(zhǔn)則
6.2 典型語義分割網(wǎng)絡(luò)
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(shí)踐項(xiàng)目：基于ICNet的語義分割
6.3.1 實(shí)踐項(xiàng)目內(nèi)容
6.3.2 數(shù)據(jù)集
6.3.3 ICNet網(wǎng)絡(luò)結(jié)構(gòu)
6.3.4 TensorFlow框架下程序?qū)崿F(xiàn)
6.3.5 ICNet網(wǎng)絡(luò)模型訓(xùn)練和測試過程
6.3.6 ICNet網(wǎng)絡(luò)模型在SE5上的部署
第7章 實(shí)例分割
7.1 實(shí)例分割任務(wù)介紹
7.1.1 實(shí)例分割任務(wù)
7.1.2 評估準(zhǔn)則
7.2 典型實(shí)例分割網(wǎng)絡(luò)
7.2.1 Mask R-CNN
7.2.2 YOLACT與YOLACT++
7.2.3 SOLO和SOLOv2
7.3 實(shí)踐項(xiàng)目：基于Mask R-CNN的實(shí)例分割
7.3.1 實(shí)踐項(xiàng)目內(nèi)容
7.3.2 Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)
7.3.3