前言

近几年，深度学习在学术界和工业界掀起革命，Python语言作为机器学习的首选语言也异军突起。然而，大多数Python语言的教材侧重语法，很少有项目实战，深度学习方面的教材侧重理论，特别是针对卷积神经网络，很少涉及源码解读和实现。因此我试图通过本书，使读者掌握Python语言并深入理解卷积神经网络，并能用Python语言实现卷积神经网络结构。

为了使尽可能多的读者对卷积神经网络有所了解，本书假定读者不具备任何机器学习知识。同时，我尽量少地使用数学知识，只要掌握向量、矩阵及矩阵乘法的定义，就能理解本书中除了优化之外的所有章节；优化问题涉及的数学知识有导数、偏导数、泰勒展开式和链式法则。学习Python语言需要掌握一些基本知识，如list结构、for循环、函数、类和NumPy模块。因此，本书适合具有一定Python基础的大学二年级以上的理工科本科生和研究生，具有类似知识基础的工程技术人员和科研人员，以及对卷积神经网络有一定了解，想进一步理解的人士阅读。

全书共10章，分为3个部分：第一部分（第1章～第4章）介绍了机器学习的基本概念、线性模型、神经网络和卷积神经网络模型，采用一条主线贯穿这3种模型，层层递进，降低了学习难度；第二部分（第5章和第6章）介绍了基于梯度下降法的优化方法和梯度反向传播算法，详细地给出了各种模块的反向传播代码，读者掌握了这些方法后，如果遇到新的模块，就能独立实现其反向传播代码；第三部分（第7章～第10章）介绍了训练网络前的准备工作、神经网络实战、卷积神经网络的应用及其发展，特别详细地给出了数据归一化、梯度检测、批量归一化（BN）及各种经典的卷积神经网络结构，如VGGNet、GoogLeNet、ResNet、SENet和轻量网络MobileNetV2。除第1章外，每个关键知识点都给出了基于NumPy的代码实现，特别是第8章和第9章这两章，给出了完整的神经网络和卷积神经网络代码实现，方便读者训练网络和查阅代码。

如果你只是想了解卷积神经网络的原理，可只看第一部分和第10章。如果你只是想更好地利用TensorFlow等框架来训练网络结构，可不用看第6章，通过学习第5章就能正确选择合适的优化算法。如果你想不借助TensorFlow等框架实现各种网络结构，则需学习所有章节，特别是第二部分。

本书中的代码的一个突出优点是接近伪代码，几乎不言自明，十分容易读懂。如果读者没有Python基础，不看代码也能掌握卷积神经网络的知识。当然，强烈建议读者手工输入代码，泛读或精读代码，注意其实现细节。这能加深对卷积神经网络的理解，同时也是一个极好的Python语言项目实战训练。

卷积神经网络发展极为迅速，各种新网络结构层出不穷，理论也在一步一步发展，本书只是对卷积神经网络最基本、最核心的概念，以及最重要的网络结构进行介绍。我自认才疏学浅，略知皮毛，更兼精力有限，书中错谬之处在所难免，若蒙读者不吝告知，将不胜感激。

我的邮箱是shanjianhua.vip@qq.com，如有疑问，欢迎垂询。

最后要感谢我的家人，特别感谢我的爱人佘慧莉女士，感谢她一直以来对我的理解和支持。当然，也要感谢使本书顺利出版的编辑王军花和武芮欣两位女士。

单建华

2018年5月于马鞍山