深度学习500问：AI工程师面试宝典

读书笔记模板深度学习500问：AI工程师面试宝典01思维导图读书笔记作者介绍内容摘要目录分析精彩摘录目录0305020406思维导图深度工程师计算机领域宝典学习深度视觉网络第章模型神经网络方法卷积应用参数算法基础图像本书关键字分析思维导图内容摘要内容摘要本书系统地描述了深度学习的基本理论算法及应用。全书共14章，第1~3章论述了数学基础、机器学习基础和深度学习基础；第4~7章介绍了一些经典络及计算机视觉领域中常用的CNN、RNN、GAN等络结构技术；第8~9章介绍了深度学习在计算机视觉领域的目标检测及图像分割两大应用；第10~14章介绍了计算机视觉领域主要的优化方法及思路等，包括迁移学习、络架构及训练、络优化技巧、超参数调整及模型的压缩和加速等。本书凝聚了众多一线科研人员及工程师的经验，旨在培养读者发现问题、解决问题、扩展问题的能力。本书内容取材于编者在日常学习过程中总结的知识点及各大公司常见的笔试、面试题。本书可为高等院校计算机科学、信息科学、人工智能、控制科学与工程、电子科学与技术等领域的研究及教学人员提供参考，也可为相关专业本科生及研究生提供思考方向，还可为深度学习及计算机视觉领域的初、中级研究人员和工程技术人员提供参考，尤其适合需要查漏补缺的应聘者及提供相关岗位的面试官阅读。读书笔记读书笔记不太行。初学者看不合适，看了也不知道怎么回事，好像词典一样把一点一点列出来，很干。目录分析1.1向量和矩阵1.2导数和偏导数1.3特征值和特征向量1.4概率分布与随机变量第1章数学基础1.6期望、方差、协方差、相关系数1.5常见概率分布第1章数学基础2.1基本概念2.2机器学习的学习方式2.3分类算法2.4逻辑回归第2章机器学习基础2.5代价函数2.6损失函数2.7梯度下降法2.8线性判别分析第2章机器学习基础2.9主成分分析2.11决策树2.10模型评估第2章机器学习基础2.12支持向量机（SVM）2.13贝叶斯分类器2.14EM算法2.15降维和聚类第2章机器学习基础3.1基本概念3.2神经络计算3.3激活函数3.4BatchSize3.5归一化12345第3章深度学习基础3.6参数初始化3.7预训练与微调3.8超参数3.9学习率3.10正则化12345第3章深度学习基础4.1LeNet-54.2AlexNet4.3ZFNet4.4NIN第4章卷积神经络的经典络4.5VGGNet4.6GoogLeNet4.7ResNet4.8DenseNet4.9CNN模型在GoogLeNet、VGGNet或AlexNet上调整的原因12345第4章卷积神经络的经典络5.1CNN的结构5.2输入层5.3卷积层5.4激活层5.5池化层5.6全连接层010302040506第5章卷积神经络5.7二维卷积与三维卷积5.8理解转置卷积与棋盘效应5.9卷积神经络凸显共性的方法5.10局部卷积5.11CNN可视化5.12卷积神经络的优化及应用010302040506第5章卷积神经络6.1为什么需要RNN6.2图解RNN基本结构6.3RNN的性质6.4RNN的后向传播第6章循环神经络6.5长短期记忆络（LSTM）6.6常见的RNN结构上的扩展和改进6.7RNN在NLP中的典型应用举例6.8RNN与图像领域的结合举例6.9RNN与条件随机场的结合12345第6章循环神经络7.1GAN的基本概念7.2GAN的生成模型评价7.3其他常见的生成模型7.4GAN的改进与优化7.5GAN的应用：图像翻译12345第7章生成对抗络7.7GAN在其他领域的应用7.6GAN的应用：文本生成第7章生成对抗络8.1基本概念8.3one-stage目标检测算法8.2two-stage目标检测算法第8章目标检测8.5目标检测常用标注工具8.4目标检测的常用数据集第8章目标检测9.1常见的图像分割算法9.2FCN9.3U-Net9.4U-Net++9.5SegNet9.6LinkNet010302040506第9章图像分割9.7RefineNet9.8PSPNet9.9DeepLab系列9.10MaskR-CNN作为目标分割的介绍9.11基于弱监督学习的图像分割12345第9章图像分割10.1迁移学习基础知识10.2迁移学习的研究领域10.3迁移学习的应用10.4迁移学习的基本方法10.5分布对齐的常用方法12345第10章迁移学习10.7迁移学习研究前沿10.6深度迁移学习方法第10章迁移学习11.1TensorFlow11.3PyTorch11.2Caffe第11章络构架介绍及训练11.5络搭建原则及训练技巧11.4常见的深度学习分布式框架第11章络构架介绍及训练12.1数据集和样本优化12.2数据不匹配问题12.3络构建和初始化12.4特征选择12.5梯度消失和梯度爆炸12345第12章络优化技巧12.7模型和系统优化12.6评价指标第12章络优化技巧13.1超参数的概念13.2络训练中的超参数调整策略13.3合理使用预训练络13.4自动化超参数搜索方法13.5自动机器学习AutoML12345第13章超参数调整14.1模型压缩14.2为什么需要模型压缩和加速14.3模型压缩方法14.4络压缩的未来研究方向14.5模型优化加速方法14.6如何选择压缩和加速方法010302040506第14章模型压缩、加速和移动端部署14.7高效CNN络设计的准则14.8常用的轻量级络14.9现有的移动端开源框架及其特点14.10移动端开源框架