内容介绍
本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，*篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；*篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。 通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本质，学习模型优化方法。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，*能从本书中获益。
目录
第 一篇 卷积神经网络
第 1章 基础骨干网络　3
1.1　起源：LeNet-5和AlexNet　4
1.1.1　从LeNet-5开始4
1.1.2　觉醒：AlexNet　6
1.2　更深：VGG　11
1.2.1　VGG介绍11
1.2.2　VGG的训练和测试　13
1.3　更宽：GoogLeNet14
1.3.1　背景知识14
1.3.2　Inception v117
1.3.3　GoogLeNet　19
1.3.4　Inception v219
1.3.5　Inception v320
1.3.6　Inception v421
1.3.7　Inception-ResNet23
1.4　跳跃连接：ResNet　26
1.4.1　残差网络　26
1.4.2　残差网络背后的原理　28
1.4.3　残差网络与模型集成　33
1.5　注意力：SENet　33
1.5.1　SE块　33
1.5.2　SE-Inception 和 SE-ResNet34
1.5.3　SENet 的复杂性分析　35
1.5.4　小结　35
1.6　更密：DenseNet　36
1.6.1　DenseNet 算法解析及源码实现37
1.6.2　压缩层　38
1.6.3　小结　38
1.7　模型集成：DPN　39
1.7.1　高阶 RNN、DenseNet 和残差网络39
1.7.2　DPN 详解41
1.7.3　小结.42
1.8　像素向量：iGPT　43
1.8.1　iGPT 详解44
1.8.2　实验结果分析48
1.8.3　小结　49
1.9　Visual Transformer 之 Swin Transformer　49
1.9.1　网络结构详解50
1.9.2　Swin Transformer 家族59
1.9.3　小结.60
1.10　Vision Transformer 之 CSWin Transformer60
1.10.1　CSWin Transformer 概述61
1.10.2　十字形窗口自注意力机制61
1.10.3　局部加强位置编码　62
1.10.4　CSWin Transformer 块63
1.10.5　CSWin Transformer 的复杂度　63
1.10.6　小结　64
1.11　MLP :MLP-Mixer　64
1.11.1　网络结构　64
1.11.2　讨论　67
第　2 章 轻量级 CNN68
2.1　SqueezeNet　68
2.1.1　SqueezeNet 的压缩策略　69
2.1.2　点火模块　69
2.1.3　SqueezeNet 的网络结构　70
2.1.4　SqueezeNet 的性能　72
2.1.5　小结　72
2.2　MobileNet v1 和 MobileNet v2　73
2.2.1　MobileNet v1　73
2.2.2　MobileNet v2　77
2.2.3　小结　79
2.3　Xception　80
2.3.1　Inception 回顾　80
2.3.2　Xception 详解　81
2.3.3　小结　82
2.4　ResNeXt　82
2.4.1　从全连接讲起83
2.4.2　简化 Inception　83
2.4.3　ResNeXt 详解84
2.4.4　分组卷积　84
2.4.5　小结　85
2.5　ShuffleNet v1 和 ShuffleNet v2　85
2.5.1　ShuffleNet v185
2.5.2　ShuffleNet v288
2.5.3　小结　92
2.6　CondenseNet　92
2.6.1　分组卷积的问题　93
2.6.2　可学习分组卷积　93
2.6.3　架构设计　96
2.6.4　小结　96
第　3 章 模型架构搜索　97
3.1　PolyNet　97
3.1.1　结构多样性98
3.1.2　多项式模型98
3.1.3　对照实验　100
3.1.4　Very Deep PolyNet　101
3.1.5　小结102
3.2　NAS　103
3.2.1　NAS-CNN103
3.2.2　NAS-RNN106
3.2.3　小结　108
3.3　NASNet　108
3.3.1　NASNet 控制器　109
3.3.2　NASNet 的强化学习110
3.3.3　计划 DropPath110
3.3.4　其他*参数111
3.3.5　小结　111
3.4　PNASNet　112
3.4.1　更小的搜索空间　112
3.4.2　SMBO　113
3.4.3　代理函数　114
3.4.4　PNASNet 的实验结果115
3.4.5　小结　116
3.5　AmoebaNet　116
3.5.1　搜索空间　117
3.5.2　年龄进化　118
3.5.3　AmoebaNet 的网络结构120
3.5.4　小结　121
3.6　MnasNet　121
3.6.1　优化目标　122
3.6.2　搜索空间　124
3.6.3　优化策略　125
3.6.4　小结　126
3.7　MobileNet v3　126
3.7.1　参考结构　127
3.7.2　网络搜索　127
3.7.3　人工设计　129
3.7.4　修改 SE 块　131
3.7.5　Lite R-ASPP　132
3.7.6　小结　133
3.8　EfficientNet v1　133
3.8.1　背景知识　133
3.8.2　EfficientNet v1 详解135
3.8.3　小结　137
3.9　EfficientNet v2　137
3.9.1　算法动机　137
3.9.2　EfficientNet v2 详解139
3.10　RegNet　141
3.10.1　设计空间　141
3.10.2　RegNet 详解　145
3.10.3　小结　151
*篇 　自然语言处理
第　4 章 基础序列模型　155
4.1　LSTM 和 GRU　155
4.1.1　序列模型的背景　155
4.1.2　LSTM　157
4.1.3　GRU　159
4.1.4　其他 LSTM　159
4.2　注意力机制　160
4.2.1　机器翻译的注意力机制160
4.2.2　图解注意力机制　161
4.2.3　*注意力模型　166
4.2.4　小结　170
4.3　Transformer　170
4.3.1　Transformer 详解171
4.3.2　位置嵌入　177
4.3.3　小结　178
4.4　Transformer-XL　179
4.4.1　Transformer 的缺点　179
4.4.2　相对位置编码181
4.4.3　Transformer-XL 详解　183
4.4.4　小结　185
第　5 章 模型预训练　186
5.1　RNN 语言模型　187
5.1.1　语言模型中的 RNN187
5.1.2　训练数据　188
5.1.3　训练细节　188
5.2　ELMo　189
5.2.1　双向语言模型189
5.2.2　ELMo 详解191
5.2.3　应用 ELMo 到下游任务192
5.2.4　小结.192
5.3　GPT-1、GPT-2 和 GPT-3　192
5.3.1　GPT-1：无监督学习193
5.3.2　GPT-2：多任务学习196
5.3.3　GPT-3：海量参数197
5.3.4　小结　200
5.4　BERT　200
5.4.1　BERT 详解　201
5.4.2　小结　205
5.5　BERT“魔改”之 RoBERTa、ALBERT、MT-DNN 和 XLM　205
5.5.1　成熟版 BERT ：RoBERTa　206
5.5.2　更快的 BERT ：ALBERT　207
5.5.3　多任务 BERT ：MT-DNN　207
5.5.4　多语言 BERT ：XLM　209
5.5.5　小结211
5.6　XLNet　211
5.6.1　背景知识.212
5.6.2　XLNet 详解213
5.6.3　小结.216
5.7　ERNIE（清华大学）　216
5.7.1　加入知识图谱的动机217
5.7.2　异构信息融合217
5.7.3　DAE.220
5.7.4　ERNIE-T 的微调220
5.7.5　小结221
5.8　ERNIE（百度）和 ERNIE 2.0　221
5.8.1　ERNIE-B222
5.8.2　ERNIE 2.0.223
5.8.3　小结226
第三篇 　模型优化
第　6 章 模型优化方法229
6.1　Dropout　230
6.1.1　什么是 Dropout.230
6.1.2　Dropout 的数学原理231
6.1.3　Dropout 是一个正则网络232
6.1.4　CNN 的 Dropout232
6.1.5　RNN 的 Dropout233
6.1.6　Dropout 的变体234
6.1.7　小结.236
6.2　BN　237
6.2.1　BN 详解237
6.2.2　BN 的背后原理240
6.2.3　小结.243
6.3　LN .243
6.3.1　BN 的问题.244
6.3.2　LN 详解.244
6.3.3　对照实验245
6.3.4　小结247
6.4　WN　247
6.4.1　WN 的计算247
6.4.2　WN 的原理248
6.4.3　BN 和 WN 的关系249
6.4.4　WN 的参数初始化249
6.4.5　均值 BN.249
6.4.6　小结 249
6.5　IN　250
6.5.1　IST 中的 IN250
6.5.2　IN 与 BN 对比250
6.5.3　TensorFlow 中的 IN.251
6.5.4　小结.252
6.6　GN　252
6.6.1　GN 算法252
6.6.2　GN 的源码253
6.6.3　GN 的原理253
6.6.4　小结 253
6.7　SN　254
6.7.1　SN 详解.254
6.7.2　SN 的优点.256
6.7.3　小结　256

作者介绍
刘岩, 澳门大学计算机科学专业硕士, 目前*职于京东零售-技术与数据中心。在学生期间从事人工智能相关研究，发表多篇计算机视觉、自然语言处理等方向的专利和学术论文。毕业后从事深度学习相关工作，擅长前沿人工智能算法的原理分析和应用落地，擅长计算机视觉、自然语言处理等方向的技术, 先后参与并负责了多个深度学习算法在不同场景的业务落地，如光学字符识别、公式识别、人脸识别、手势识别、视频抠像、文本分类/命名实体识别、预训练语言模型、语音识别、图神经网络等。目前主要负责电商场景下预训练语言模型的研发以及舆情风险的智能识别与治理。他的知乎账号: 大师兄。