本书分为“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。本书适合对人工智能、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。

赵小川，博士，高级工程师。科技部、北京市科委项目评审专家组成员。《Robotica》、《IEEE Transactions On Biomedical Engineering》等期刊的审稿人。主编了《MATLAB数字图像处理一一程序实现与模块化仿真》、《MATLAB数字图像处理一一能力提高与应用案例》、《MATLAB数字图像处理一一从仿真C／C++代码自动生成》等图书。

前言
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R-CNN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R-CNN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Ineeption-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Inception-V3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 评价最终结果
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