深度学习：卷积神经网络从入门到精通

本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。

这是一本深入探讨深度学习中卷积神经网络的应用与发展的书籍。书中内容涵盖了神经网络与深度学习起源，卷积神经网络在手写字符识别和图像分类的应用，激活函数的理论选择，梯度下降算法的基本概念，反向传播算法概述，多层感知器的逼近能力，LeNet标准模型结构详解，LeNet的Caffe代码实现，SPPNet模型结构特点，GoogLeNet模型的结构与性能，区域卷积网络R-CNN概述，SSD的结构特点与检测效率，深度强化学习网络的概念和特点，人工智能棋类程序的发展历程，AlphaGo的设计原理及训练过程等多个方面。 书中首先介绍了神经网络与深度学习起源，包括神经网络和深度学习的发展历程，以及在这个过程中出现的各种重要模型。接着，书中深入探讨了卷积神经网络在手写字符识别和图像分类的应用，包括LeNet模型的结构、Caffe代码实现，以及SPPNet模型结构特点等。此外，书中还详细介绍了激活函数的理论选择，梯度下降算法的基本概念，反向传播算法概述，以及多层感知器的逼近能力等。 在卷积神经网络的应用方面，书中重点介绍了LeNet标准模型结构详解，LeNet的Caffe代码实现，SPPNet模型结构特点