《深度学习：卷积神经网络从入门到精通》——1.7　本书的内容结构和案例数据

1.7　本书的内容结构和案例数据

卷积神经网络是目前应用最广的深度学习模型。本书旨在介绍其中比较重要的模型，并通过演示案例说明有关模型的应用价值。下面简述本书的内容结构及案例数据。

1.7.1　内容结构

本书共分为12章，有关应用案例的章节、框架和平台汇总在表1.1中。

表1.1　应用案例的章节、框架和平台

各章的内容结构描述如下：

第1章为概述，介绍深度学习的起源和发展，说明卷积神经网络的形成和演变，分析卷积神经网络的应用和影响，讨论卷积神经网络的缺陷和视图，总结卷积神经网络的平台和工具。

第2章为预备知识，主要介绍卷积神经网络模型有关的数学基础。

第3章为卷积神经网络的现代雏形LeNet。首先介绍LeNet的原始模型，然后描述LeNet的标准模型，接着给出LeNet的学习算法，说明LeNet的Caffe代码，并分析LeNet的手写数字识别案例、交通标志识别案例和交通路网提取案例。

第4章为卷积神经网络的突破模型AlexNet。首先介绍AlexNet的模型结构，然后依次说明AlexNet的Caffe和TensorFlow代码，并分析AlexNet的大规模图像分类案例，最后简介其改进模型ZFNet。

第5章为卷积神经网络的应变模型。主要介绍SPPNet的模型结构，说明SPPNet的Caffe代码，并分析SPPNet的大规模图像分类案例。

第6章为卷积神经网络的加深模型。主要介绍VGGNet和GoogLeNet的模型结构，说明它们的TensorFlow代码，并分析VGGNet的物体图像分类案例和GoogLeNet的鲜花图像分类案例。

第7章为卷积神经网络的跨连模型。主要介绍快道网络、残差网络、密连网络和拼接网络。对于快道网络，只描述了模型结构。对于其余3个网络，还说明了核心模块的Caffe代码实现。此外，还分析了残差网络的大规模图像分类案例、密连网络的物体图像分类案例，以及拼接网络的人脸图像性别分类案例。

第8章为卷积神经网络的区域模型。主要介绍区域卷积神经网络、快速区域卷积网络、更快速区域卷积网络、你只看一次网络和单次检测器。对于前两个网络，只描述了模型结构。对于另外3个网络，还说明了它们的TensorFlow代码，并分析了它们在VOC 2007数据集上的图像目标检测案例。

第9章为卷积神经网络的分割模型。主要介绍全卷积网络、金字塔场景分析网络和掩膜区域卷积网络的模型结构，说明它们的Caffe或TensorFlow代码，并分析它们的图像语义分割、图像几何分割或图像实例分割等应用案例。

第10章为卷积神经网络的特殊模型。主要介绍4种模型，包括孪生网络、挤压网络、生成对抗网络和网中网。不仅给出了它们的模型结构，说明了它们的Caffe或TensorFlow代码，也分析了它们的手写数字验证、大规模图像分类或人脸图像生成等应用案例。

第11章为卷积神经网络的强化模型。主要介绍深层强化学习的标准模型、学习算法和变种模型，并分析一个笨笨鸟Flappy Bird智能体的游戏应用案例。

第12章为卷积神经网络的顶尖成就AlphaGo。主要介绍AlphaGo的设计原理和AlphaGo Zero的新思想，并分析一个仿效围棋程序MuGo的游戏应用案例。