前言

隨著谷歌的AlphaGo、IBM的Watson和百度的小度機器人等智能產品的問世，人工智能成為大眾熱烈討論的焦點。深度學習作為其中的核心技術之一，經過學術界與工業界的積極推動，已經被廣泛應用于計算機視覺、語音識別和自然語言處理等諸多領域。如果讀者想了解深度學習的總體概況，可參考作者編寫的《深度學習導論及案例分析》一書。

本書專注討論深度學習中應用非常廣泛的模型——卷積神經網絡，該模型特別適用于圖像分類和識別、目標分割和檢測以及人工智能游戲方面，受眾對象包括計算機、自動化、信號處理、機電工程、應用數學等相關專業的研究生、教師以及算法工程師和科研工作者。

卷積神經網絡是一種特殊的多層感知器或前饋神經網絡，具有局部連接、權值共享的特點，其中大量神經元按照一定方式組織起來對視野中的交疊區域產生反應。其前身是日本學者Fukushima在感受野概念的基礎上提出的神經認知機模型。利用神經認知機的思想，LeCun等人在1998年提出了卷積神經網絡的現代雛形LeNet。2012年，Krizhevsky等人取得了卷積神經網絡研究的重大突破，提出了著名的AlexNet。AlexNet在ImageNet的大規模圖像分類競賽中取得優異成績，為深度學習的全面推廣立下了汗馬功勞。隨后，卷積神經網絡模型如雨后春筍般出現，如VGGNet、GoogLeNet、SPPNet、ResNet、DenseNet、Faster R-CNN、YOLO、SSD、FCN、PSPNet、Mask R-CNN、SiameaseNet、SqueezeNet、DCGAN、NIN，以及在人工智能游戲中用到的深度強化模型等。

本書的最大特色是對卷積神經網絡進行由淺入深的分類描述，依次包括：現代雛形、突破模型、應變模型、加深模型、跨連模型、區域模型、分割模型、特殊模型、強化模型和頂尖成就。這種分類框架是在模型概述和預備知識的基礎上逐步展開的，既方便讀者入門學習，又有助于讀者深入鉆研。

本書的另一大特色是結合Caffe或TensorFlow的代碼來說明各種卷積神經網絡模型的具體實現過程，并通過應用案例說明其價值和意義所在。典型的應用案例包括：字符識別、交通標志識別、交通路網提取、大規模圖像分類、人臉圖像性別分類、圖像目標檢測、圖像語義分割、圖像實例分割、人臉圖像生成、Flappy Bird智能體、AlphaGo的仿效圍棋程序等。讀者可以通過運行各個應用案例的程序代碼和實驗數據，檢驗其演示效果。

與其他深度學習的書籍相比，本書對卷積神經網絡的內容涵蓋更為廣泛、模型討論更為深入、應用實踐更為細致。特別是，還總結了一些運行卷積神經網絡的配置技巧和操作經驗。比如，在運行Mask R-CNN的時候，需要先安裝讀取COCO數據集的程序，然后再進行訓練或測試。在運行SSD的時候，可視化結果只給出了類別編號而沒有給出類別名，作者對此已進行了修改，以方便讀者按照書中所示代碼顯示相應的類別名。把這些經過摸索得到的技巧和經驗分享給讀者，對提高讀者的深度學習技術水平，無疑具有很好的加速作用。

本書是集體努力的成果，主要作者包括北京工業大學的李玉鑑、張婷、單傳輝、劉兆英、聶小廣和歐軍。他們對全書的內容進行了精心的布局、認真的編寫和細致的整理。同時，曾少鋒、劉博文、穆紅章、余華擎和方皓達等人在文獻資料、實現代碼和軟件工具的收集方面也提供了積極的幫助。此外，華章公司的溫莉芳副總經理和張夢玲編輯對本書的排版提出了許多寶貴的意見。最后，需要特別感謝家人的支持，他們也在不知不覺中以各種方式對此書出版做出了貢獻。

限于作者水平，本書難免在內容取材和結構編排上有不妥之處，希望讀者不吝賜教，提出寶貴的批評和建議，我們將不勝感激。

作者

2018年4月于北京工業大學