图片: 图1.7 灰度图与彩色图 图片: 图1.8 灰度图的直方图与彩色图的直方图 图片: 图2.15 基于动量项的SGD示意 图片: 图4.3 TDNN示意 图片: 图6.1 AlexNet第一个卷积层的96个通道的可视化结果 图片: 图7.13 Allconv5_SEG训练结果 图片: 图7.14 Allconv5_SEG使用224×224的分辨率进行测试的分割结果 图片: 图7.16 Allconv5_SEG与Allconv5_Skip_SEG的训练结果 图片: 图7.17 Allconv5_Skip_SEG使用224×224的分辨率进行测试的分割结果 图片: 图7.18 Allconv5_SEG与Allconv5_Skip_SEG使用448×448的分辨率进行测试的分割结果 图片: 图8.11 嘴唇图像与标注示意 图片: 图8.13 MobileSegNet_MOUTH160精度曲线和损失曲线 图片: 图9.16 可变形卷积的感受野示意（使用大小为3×3的卷积核） 图片: 图12.3 简单的三维卷积网络 图片: 图12.12 不同比例下的训练集和测试集精度 内容简介 本书理论知识体系完备，由浅入深，系统性地介绍了深度学习模型的发展脉络，以及模型网络深度设计、模型网络宽度设计、模型通道维度设计、残差连接设计、分组卷积设计、多尺度网络与非正常卷积设计、多输入网络设计、时序神经网络设计、三维卷积网络设计、动态推理模型与注意力机制设计、生成对抗网络设计等主流深度学习模型的设计思想。同时，本书为各模型设计思想提供了大量的实例，供读者实战演练。 本书注重内容的完整性与实用性，既可以作为深度学习与计算机视觉初学者、相关专业的在校学生学习核心算法的书籍，也可以作为相关工程人员查阅相关技术的参考手册。 前言 为什么要写这本书 近10年，以深度学…