第1章 神经网络和计算机视觉基础第2章 深度学习的基础第3章 数据集、评测指标与优化目标第4章 加深网络,提升模型性能第5章 1×1卷积,通道维度升降的利器第6章 加宽网络,提升模型性能第7章 残差连接,深层网络收敛的关键第8章 分组卷积与卷积拆分,移动端高效率经典模型第9章 多尺度网络与非正常卷积,更丰富的感受野与不变性第10章 多输入网络,图像检索和排序的基准模型 第11章 时序神经网络,有记忆的网络更聪明第12章 卷积从二维变成三维,实现升维打击第13章 动态推理与注意力机制,网络因样本而异第14章 生成对抗网络 本书得到了依图科技CTO、新加坡工程院院士、IEEE Fellow颜水成教授,新智元创始人、CEO 杨静,中国科学院半导体研究所研究员鲁华祥,知识星球CEO吴鲁加4位业内大咖的鼎力推荐,是一本非常优质,适合任何深度学习领域从业者学习的好书。 ➤获取方式 点击阅读原文前往极市社区,在文末留言自己深度学习的心得感悟,7月21日20点,极小东将选取10条优质留言赠送此书(共10本)。没有被抽到的开发者可以通过扫描下方二维码进行购买。参考文献 [1] Eldan R, Shamir O. The power of depth for feedforward neural networks[C]//Conference on learning theory. 2016: 907-940.[2] Lu Z, Pu H, Wang F, et al. The expressive power of neural networks: A view from the width[C]//Advances in Neural Information Processing Systems. 2017: 6231-6239.[3] Shang W, Sohn K, Almeida D, et al. Understanding and improving convolutional neural networks via concatenated rectified linear units[C]//international conference on machine learning. 2016: 2217-2225.[4] Huang G, Liu Z, Van Der Maaten L, et al. Densely connected convolutional networks[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 4700-4708.