《深度学习经典案例解析（基于MATLAB）》分为基础篇应用篇和实战篇。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速生成可执行的C、C 代码并在硬件上部署实现，内容讲解由浅及深、层层递进。本书所讲解的案例均配有代码实现，并对代码进行了详细注解，读者可通过阅读代码对本书讲解的内容进行更加深入的了解。《深度学习经典案例解析（基于MATLAB）》适合对人工智能、深度学习技术感兴趣的工程技术人员阅读，也适合人工智能、计算机科学技术相关专业的本科生、研究生学习参考。
1. 案例丰富：通过17个综合案例介绍深度学习网络的构建、训练、应用及部署的技巧
2. 实例专业：涵盖交通标识检测、语音识别、车辆检测、肺炎胸片检测等应用
当前，人工智能技术飞速发展，对我们的生活产生了深远的影响：刷脸支付让交易变得快捷，语音交互让生活变得方便，智能推送让购物效率更高。在抗击新冠肺炎疫情的过程中，人工智能技术也大显身手，智能胸片检测智能口罩检测等技术得到了广泛应用。
深度学习是人工智能技术的重要组成部分，关于深度学习的新理论、新方法、新技术层出不穷，很多读者加入到了深度学习技术的学习和科研的大军中。如何更全面、高效地掌握深度学习技术，是笔者一直关注和思考的问题。实践出真知，要想真正掌握深度学习技术，必须把它用起来，即学以致用。为此，笔者结合自身的教学和科研经验，对深度学习技术的理论、方法、应用进行了系统的总结与梳理，以案例的形式呈现给读者。与其他同类书籍相比，本书的特点在于：
1）系统全面。《深度学习经典案例解析（基于MATLAB）》分为基础篇应用篇和实战篇。通过17个案例循序渐进地介绍了深度学习网络的构建、训练、应用，以及如何基于MATLAB快速地生成可执行的C、C 代码并在硬件上部署实现，内容讲解由浅及深、层层递进，符合读者的认知心理。
2）案例丰富。《深度学习经典案例解析（基于MATLAB）》所讲解的案例中，既有交通标识检测、语音识别、车辆检测的深度学习经典案例，又有新冠肺炎胸片检测等多个贴近实际的案例，还讲解了基于MATLAB如何快速地生成可执行的C、C 代码并在树莓派上部署实现，实用性更强。《深度学习经典案例解析（基于MATLAB）》所讲解的案例均配有代码实现，并对代码进行了详细的注解，读者可通过阅读代码，对本书讲解的内容进行更加深入的了解。
3）生动形象。写一本有温度的书一直是笔者所追求的目标。在本书的写作过程中，笔者力求以生动形象的语言来解释抽象的概念，如将例题、作业、考试与训练集、验证集、测试集进行类比，将针灸与非激活函数进行类比，使语言更通俗、形象、易懂。
本书适合以下读者阅读学习。
对人工智能、深度学习技术感兴趣的工程技术人员。
人工智能、计算机科学技术相关专业的本科生、研究生。
回首本书的编写历程，笔者感受颇多，感谢为本书付出辛勤劳动的同仁，尤其是何灏、朱鹤、梁冠豪、马燕琳、刘莹等人。感谢家人的支持！
欢迎广大读者与笔者交流，相关建议和问题可以发到邮箱：zhaoxch_mail@sina.com 。
赵小川，博士，研究员，博士生导师，高新技术企业评审专家、武警装备智能化专家委员会委员；北京市科学技术委员会、自然科学基金委员会、陆军装备部项目评审专家；核心期刊《计算机工程》青年编委；期刊 Robotica 和《计算机应用研究》的审稿专家。研究方向为人工智能技术，在感知智能、交互智能、仿生智能等方面有所突破和创新；近年来，作为项目负责人主持科研项目共计20余项；以作发明人获得国家发明专利12项。
基础篇
案例1：巧妇难为无米之炊：数据集的制作与加载/
1.1 机器学习中的数据集/
1.2 如何加载MATLAB自带的数据集/
1.3 如何加载自己制作的数据集/
1.4 如何加载公开数据集：以CIFAR-10为例/
1.5 如何划分训练集与验证集/
1.6 如何扩充数据样本集/
案例2：小试牛刀：如何构建一个卷积神经网络/
2.1 CNN的核心卷积/
2.2 卷积神经网络的结构及原理/
2.3 从仿生角度看卷积神经网络/
2.4 基于深度学习工具箱函数构造卷积神经网络/
2.5 采用 Deep Network Designer实现卷积网络设计/
2.6 其他与构建深度网络相关的函数/
案例3：精雕细琢：如何训练一个卷积神经网络/
3.1 基本概念一点通/
3.2 实例需求与实现步骤/
3.3 构建卷积神经网络/
3.4 训练卷积神经网络/
3.5 例程实现与解析/
应用篇
案例4：LeNet卷积神经网络的应用：红绿灯识别/
4.1 LeNet卷积神经网络/
4.2 基于改进LeNet的交通灯识别/
4.3 例程实现与解析/
案例5：AlexNet卷积神经网络的应用：基于迁移学习的图像分类/
5.1 什么是迁移学习/
5.2 从不同的角度看迁移学习/
5.3 AlexNet网络的原理/
5.4 基于AlexNet实现迁移学习的步骤/
5.5 AlexNet的加载方法/
5.6 如何对AlexNet进行改进以实现迁移学习/
5.7 本节所用到的函数解析/
5.8 例程实现与解析/
5.9 采用Deep Network Designer辅助实现迁移学习/
案例6：VGG16卷积神经网络的应用：融合卷积神经网络与支持向量机的物体识别/
6.1 VGG16网络的原理及特点/
6.2 支持向量机分类的原理/
6.3 基于VGG16与SVM的物体识别/
6.4 例程实现与解析/
案例7：LSTM长短期记忆神经网络的应用：心电图信号分类/
7.1 从时间的角度看序列性数据/
7.2 序列建模之循环神经网络/
7.3 基于门与记忆细胞构建序列模型的长期依赖关系/
7.4 基于LSTM实现心电图信号分类的步骤/
7.5 本节所用到的函数解析/
7.6 例程实现与解析/
案例8：ResNet残差网络的应用：新冠肺炎胸片检测/
8.1 深度学习技术在抗击疫情中的应用/
8.2 ResNet网络简介/
8.3 基于ResNet的新冠肺炎胸片检测的实现步骤/
8.4 ResNet的加载方法/
8.5 对ResNet进行调整以实现迁移学习/
8.6 例程实现与解析/
实战篇
案例9：让机器的眼睛认识标志：基于RCNN的交通标志检测/
9.1 目标分类、检测与分割/
9.2 目标检测及其难点问题/
9.3 R-CNN目标检测算法的原理及实现过程/
9.4 基于Image Labeler的RCNN目标检测器构建/
案例10：让机器的眼睛检测车辆：基于Video Labeler的车辆目标检测/
10.1 车辆目标检测的需求/
10.2 利用Video Labeler实现车辆目标检测的步骤/
案例11：让机器的耳朵听明白声音：基于LSTM的日语元音序列分类示例/
11.1 利用LSTM实现日语元音序列分类的步骤/
11.2 日语元音序列分类程序详解/
案例12：深度学习助力医学发展：基于Inception-v3网络迁移学习的视网膜病变检测/
12.1 Inception-v3深度网络介绍/
12.2 Kaggle竞赛眼疾检测数据集/
12.3 数据集预处理/
12.4 在InceptionV3上应用迁移学习实现DR图像分类/
12.5 例程实现与解析/
12.6 通过类激活映射来辅助诊断/
案例13：知己知彼：深度神经网络的脆弱性及AI对抗技术/
13.1 深度神经网络的脆弱性/
13.2 AI对抗技术及其发展趋势/
案例14：识音辨意：基于深度学习的语音识别/
14.1 下载Spech Commands Dataset数据集/
14.2 标注数据集/
14.3 划分训练集、验证集和测试集/
14.4 对音频原始文件预处理/
14.5 建立网络/
14.6 训练网络/
14.7 评价终结果/
14.8 网络的大小与单次推理时间/
案例15：方便快捷：深度学习模型代码的自动生成/
15.1 深度学习网络模型：从开发到部署/
15.2 MATLAB生成推理模型代码的步骤/
15.3 安装GPU平台的代码生成工具/
15.4 代码生成例程实现与解析/
案例16：互通共享：如何将在Keras中设计训练的网络导入MATLAB深度学习工具箱中/
16.1 导入网络的详细步骤/
16.2 例程实现与解析/
案例17：快速部署：如何将训练好的深度神经网络部署到树莓派上/
17.1 什么是树莓派/
17.2 SqueezeNet简介/
17.3 自动生成C 代码及其在树莓派上的实现/
参考文献
书单推荐
