前言
理论篇
第1章 人工智能简介
1.1 人工智能概念
1.1.1 人工智能定义
1.1.2 人工智能发展历程
1.2 人工智能与深度学习
1.2.1 人工智能与深度学习之间的关系
1.2.2 图灵机与丘奇-图灵论题
1.3 人工智能发展阶段
1.3.1 人工智能1.0——知识＋算法＋算力
1.3.2 人工智能2.0——数据＋算法＋算力
1.3.3 人工智能3.0——知识＋数据＋算法＋算力
1.3.4 人工智能4.0——存算一体化
1.4 人工智能应用
1.4.1 工业零部件尺寸测量与缺陷检测
1.4.2 目标检测与跟踪
1.4.3 人脸比对与识别
1.4.4 三维影像重构
第2章 神经网络数学基础
2.1 线性向量空间
2.2 内积
2.3 线性变换与矩阵表示
2.4 梯度
第3章 神经网络与学习规则
3.1 神经元模型与网络结构
3.1.1 神经元模型
3.1.2 神经网络结构
3.2 感知机学习
3.2.1 感知机定义及结构
3.2.2 感知机学习规则
3.3 Hebb学习
3.3.1 无监督Hebb学习
3.3.2 有监督Hebb学习
3.4 性能学习
3.4.1 性能指数
3.4.2 梯度下降法
3.4.3 随机梯度下降法
第4章 反向传播
4.1 LMS算法
4.2 反向传播算法
4.2.1 性能指数
4.2.2 链式法则
4.2.3 反向传播计算敏感性
4.2.4 反向传播算法总结
4.3 反向传播算法变形
4.3.1 批数据训练法
4.3.2 动量训练法
4.3.3 标准数值优化技术
4.4 反向传播算法实例分析
第5章 卷积神经网络
5.1 卷积神经网络基础
5.1.1 全连接神经网络与卷积神经网络
5.1.2 卷积神经网络组成结构
5.1.3 卷积神经网络进化史
5.2 LeNet
5.2.1 LeNet结构
5.2.2 LeNet特点
5.3 AlexNet
5.3.1 AlexNet结构
5.3.2 AlexNet特点
5.4 VGGNet
5.4.1 VGG16结构
5.4.2 VGG16特点
5.5 GoogLeNet
5.5.1 Inception结构
5.5.2 GoogLeNet结构——基于Inception V1模块
5.5.3 GoogLeNet特点
5.6 ResNet
5.6.1 ResNet残差块结构
5.6.2 ResNet结构
5.6.3 ResNet特点
第6章 目标检测与识别
6.1 R-CNN
6.1.1 基于SS方法的候选区域选择
6.1.2 候选区域预处理
6.1.3 CNN特征提取
6.1.4 SVM目标分类
6.1.5 Bounding box回归
6.2 Fast R-CNN
6.2.1 基于SS方法的候选区域生成
6.2.2 CNN分类与回归
6.2.3 Fast R-CNN目标检测算法特点
6.3 Faster R-CNN
6.3.1 CNN特征提取
6.3.2 RPN候选框生成
6.3.3 CNN分类与回归
6.3.4 Faster R-CNN目标检测算法特点
6.4 YOLO
6.4.1 YOLOv
6.4.2 YOLOv
6.4.3 YOLOv
第7章 深度学习优化技术
7.1 梯度消失
7.2 过拟合
7.2.1 增加训练数据集
7.2.2 regularization
7.2.3 dropout技术
7.3 初始值与学习速度
7.3.1 初始值选择规则
7.3.2 可变的学习速度
7.4 损失函数
7.4.1 均方误差损失函数
7.4.2 cross-entropy损失函数
7.4.3 log-likelyhood损失函数
第8章 深度学习加速技术
8.1 软件模型优化技术
8.1.1 网络模型优化
8.1.2 计算精度降低
8.1.3 网络剪枝技术
8.2 GPU加速技术
8.3 TPU加速技术
8.4 FPGA加速技术
8.4.1 全连接神经网络加速
8.4.2 卷积神经网络加速
应用篇
第9章 基于OpenCL的FPGA异构并行计算技术
第10章 基于OpenCL的FPGA异构并行计算应用案例
第11章 基于OpenVINO的FPGA深度学习加速技术
第12章 基于OpenVINO的FPGA深度学习加速应用案例
展开
