深度學習及加速技術：入門與實踐

本書緊密圍繞深度學習及加速技術的基礎理論與應用案例展開敘述，
實現了深度學習算法設計與硬件加速技術的有機統一，是一本基礎理論與實踐案例相結合的實用圖書。
其具體內容涉及人工智能基本概念，神經網絡數學基礎、神經網絡基本結構與學習策略、
反向傳播算法數學原理與訓練機制等神經網絡基礎理論，以及一些高級主題和實踐。
本書可作為從事人工智能領域算法研究、架構設計與應用實現等工作的科研人員、工程師以及高等院校師生的參考書籍。

前言
理論篇
第1章人工智能簡介
1.1 人工智能概念
1.1.1 人工智能定義
1.1.2 人工智能發展歷程
1.2 人工智能與深度學習
1.2.1 人工智能與深度學習之間的關係
1.2.2 圖靈機與丘奇-圖靈論題
1.3 人工智能發展階段
1.3.1 人工智能1.0——知識＋算法＋算力
1.3.2 人工智能2.0——數據＋算法＋算力
1.3.3 人工智能3.0——知識＋數據＋算法＋算力
1.3.4 人工智能4.0——存算一體化
1.4 人工智能應用
1.4.1 工業零部件尺寸測量與缺陷檢測
1.4.2 目標檢測與跟踪
1.4.3 人臉比對與識別
1.4.4 三維影像重構
第2章神經網絡數學基礎
2.1 線性向量空間
2.2 內積
2.3 線性變換與矩陣表示
2.4 梯度
第3章神經網絡與學習規則
3.1 神經元模型與網絡結構
3.1.1 神經元模型
3.1.2 神經網絡結構
3.2 感知機學習
3.2.1 感知機定義及結構
3.2.2 感知機學習規則
3.3 Hebb學習
3.3.1 無監督Hebb學習
3.3.2 有監督Hebb學習
3.4 性能學習
3.4.1 性能指數
3.4.2 梯度下降法
3.4.3 隨機梯度下降法
第4章反向傳播
4.1 LMS算法
4.2 反向傳播算法
4.2.1 性能指數
4.2.2 鍊式法則
4.2.3 反向傳播計算敏感性
4.2.4 反向傳播算法總結
4.3 反向傳播算法變形
4.3.1 批數據訓練法
4.3.2 動量訓練法
4.3.3 標準數值優化技術
4.4 反向傳播算法實例分析
第5章卷積神經網絡
5.1 卷積神經網絡基礎
5.1.1 全連接神經網絡與卷積神經網絡
5.1.2 卷積神經網絡組成結構
5.1.3 卷積神經網絡進化史
5.2 LeNet
5.2.1 LeNet結構
5.2.2 LeNet特點
5.3 AlexNet
5.3.1 AlexNet結構
5.3.2 AlexNet特點
5.4 VGGNet
5.4.1 VGG16結構
5.4.2 VGG16特點
5.5 GoogLeNet
5.5.1 Inception結構
5.5.2 GoogLeNet結構——基於Inception V1模塊
5.5.3 GoogLeNet特點
5.6 ResNet
5.6.1 ResNet殘差塊結構
5.6.2 ResNet結構
5.6.3 ResNet特點
第6章目標檢測與識別
6.1 R-CNN
6.1.1 基於SS方法的候選區域選擇
6.1.2 候選區域預處理
6.1.3 CNN特徵提取
6.1.4 SVM目標分類
6.1.5 Bounding box回歸
6.2 Fast R-CNN
6.2.1 基於SS方法的候選區域生成
6.2.2 CNN分類與回歸
6.2.3 Fast R-CNN目標檢測算法特點
6.3 Faster R-CNN
6.3.1 CNN特徵提取
6.3.2 RPN候選框生成
6.3.3 CNN分類與回歸
6.3.4 Faster R-CNN目標檢測算法特點
6.4 YOLO
6.4.1 YOLOv
6.4.2 YOLOv
6.4.3 YOLOv
第7章深度學習優化技術
7.1 梯度消失
7.2 過擬合
7.2.1 增加訓練數據集
7.2.2 regularization
7.2.3 dropout技術
7.3 初始值與學習速度
7.3.1 初始值選擇規則
7.3.2 可變的學習速度
7.4 損失函數
7.4.1 均方誤差損失函數
7.4.2 cross-entropy損失函數
7.4.3 log-likelyhood損失函數
第8章深度學習加速技術
8.1 軟件模型優化技術
8.1.1 網絡模型優化
8.1.2 計算精度降低
8.1.3 網絡剪枝技術
8.2 GPU加速技術
8.3 TPU加速技術
8.4 FPGA加速技術
8.4.1 全連接神經網絡加速
8.4.2 卷積神經網絡加速
應用篇
第9章基於OpenCL的FPGA異構並行計算技術
第10章基於OpenCL的FPGA異構並行計算應用案例
第11章基於OpenVINO的FPGA深度學習加速技術
第12章基於OpenVINO的FPGA深度學習加速應用案例