近两年神经网络很火，我也准备赶一下潮流开始学习这个了。但学习前我想了一下，面临很多困难，第一个，没资料，然后没老师，最后我其实并没有编程基础，哎，想想就好艰难，都有种要想放弃的冲动。

不过想着未来人工智能很可能是趋势，怎么也得尝试坚持一下

第一步：资料

这个我去网上搜了一下资料，首先找到两本《深度学习：卷积神经网络从入门到精通》链接: https://caiyun.139.com/m/i?165CdXJfwuk4T 提取码:zjV6 

另一本：《深度学习与图像识别原理与实践》PDF+源代码+魏溪含》链接: https://caiyun.139.com/m/i?165CdXJPXaNko 

本书专注讨论深度学习中应用非常广泛的模型——卷积神经网络，该模型特别适用于图像分类和识别、目标分割和检测以及人工智能游戏方面，受众对象包括计算机、自动化、信号处理、机电工程、应用数学等相关专业的研究生、教师以及算法工程师和科研工作者。本书的最大特色是对卷积神经网络进行由浅入深的分类描述，依次包括：现代雏形、突破模型、应变模型、加深模型、跨连模型、区域模型、分割模型、特殊模型、强化模型和顶尖成就。这种分类框架是在模型概述和预备知识的基础上逐步展开的，既方便读者入门学习，又有助于读者深入钻研。

第1章 概述

1.1 深度学习的起源和发展

1.2 卷积神经网络的形成和演变

1.3 卷积神经网络的应用和影响

1.4 卷积神经网络的缺陷和视图

1.5 卷积神经网络的GPU实现和cuDNN库

1.6 卷积神经网络的平台和工具

1.7 本书的内容结构和案例数据

1.7.1 内容结构

1.7.2 案例数据

第2章 预备知识

2.1 激活函数

2.2 矩阵运算

2.3 导数公式

2.4 梯度下降算法

2.5 反向传播算法

2.5.1 通用反向传播算法

2.5.2 逐层反向传播算法

2.6 通用逼近定理

2.7 内外卷积运算

2.8 膨胀卷积运算

2.9 上下采样运算

2.10 卷积面计算

2.11 池化面计算

2.12 局部响应归一化

2.13 权值偏置初始化

2.14 丢失输出

2.15 丢失连接

2.16 随机梯度下降算法

2.17 块归一化

2.18 动态规划算法

第3章 卷积神经网络的现代雏形——LeNet

3.1 LeNet的原始模型

3.2 LeNet的标准模型

3.3 LeNet的学习算法

3.4 LeNet的Caffe代码实现及说明

3.5 LeNet的手写数字识别案例

3.6 LeNet的交通标志识别案例

3.6.1 交通标志数据集的格式转换

3.6.2 交通标志的识别分类

3.7 LeNet的交通路网提取案例

3.7.1 交通路网的人工标注

3.7.2 交通路网的图像块分类

3.7.3 交通路网的图像块分类LeNet

3.7.4 交通路网的自动提取代码及说明

3.7.5 交通路网的自动提取程序运行结果

第4章 卷积神经网络的突破模型

4.1 AlexNet的模型结构

4.2 AlexNet的Caffe代码实现及说明

4.3 AlexNet的Caffe大规模图像分类案例及演示效果

4.4 AlexNet的TensorFlow代码实现及说明

4.5 AlexNet的TensorFlow大规模图像分类案例及演示效果

4.6 AlexNet的改进模型ZFNet

第5章 卷积神经网络的应变模型

5.1 SPPNet的模型结构

5.2 SPPNet的Caffe代码实现及说明

5.3 SPPNet的大规模图像分类案例及演示效果

第6章 卷积神经网络的加深模型

6.1 结构加深的卷积网络VGGNet

6.1.1 VGGNet的模型结构

6.1.2 VGGNet的TensorFlow代码实现及说明

6.1.3 VGGNet的物体图像分类案例

6.2 结构更深的卷积网络GoogLeNet

6.2.1 GoogLeNet的模型结构

6.2.2 GoogLeNet的TensorFlow代码实现及说明

6.2.3 GoogLeNet的鲜花图像分类案例

第7章 卷积神经网络的跨连模型

7.1 快道网络HighwayNet

7.2 残差网络ResNet

7.2.1 ResNet的模型结构

7.2.2 ResNet的Caffe代码实现及说明

7.2.3 ResNet的大规模图像分类案例

7.3 密连网络DenseNet

7.3.1 DenseNet的模型结构

7.3.2 DenseNet的Caffe代码实现及说明

7.3.3 DenseNet的物体图像分类案例

7.4 拼接网络CatNet

7.4.1 CatNet的模型结构

7.4.2 CatNet的Caffe代码实现及说明

7.4.3 CatNet的人脸图像性别分类案例

第8章 卷积神经网络的区域模型

8.1 区域卷积网络R-CNN

8.2 快速区域卷积网络Fast R-CNN

8.3 更快区域卷积网络Faster R-CNN

8.3.1 Faster R-CNN的模型结构

8.3.2 Faster R-CNN的TensorFlow代码实现及说明

8.3.3 Faster R-CNN的图像目标检测案例及演示效果

8.4 你只看一次网络YOLO

8.4.1 YOLO的模型结构

8.4.2 YOLO的TensorFlow代码实现及说明

8.4.3 YOLO的图像目标检测案例及演示效果

8.5 单次检测器SSD

8.5.1 SSD的模型结构

8.5.2 SSD的TensorFlow代码实现及说明

8.5.3 SSD的图像目标检测案例及演示效果

第9章 卷积神经网络的分割模型

9.1 全卷积网络FCN

9.1.1 FCN的模型结构

9.1.2 FCN的Caffe代码实现及说明

9.1.3 FCN的图像语义和几何分割案例

9.2 金字塔场景分析网络PSPNet

9.2.1 PSPNet的模型结构

9.2.2 PSPNet的TensorFlow代码实现及说明

9.2.3 PSPNet的图像语义分割案例及演示效果

9.3 掩膜区域卷积网络Mask R-CNN

9.3.1 Mask R-CNN的模型结构

9.3.2 Mask R-CNN的Keras和TensorFlow代码实现及说明

9.3.3 Mask R-CNN的图像实例分割案例及演示效果

第10章 卷积神经网络的特殊模型

10.1 孪生网络SiameseNet

10.1.1 SiameseNet的模型结构

10.1.2 SiameseNet的Caffe代码实现及说明

10.1.3 SiameseNet的手写数字验证案例

10.2 挤压网络SqueezeNet

10.2.1 SqueezeNet的模型结构

10.2.2 SqueezeNet的Caffe代码实现及说明

10.2.3 SqueezeNet大规模图像分类案例

10.3 深层卷积生成对抗网络DCGAN

10.3.1 DCGAN的模型结构

10.3.2 DCGAN的TensorFlow代码实现及说明

10.3.3 DCGAN的CelebA人脸图像生成案例

10.4 网中网NIN

10.4.1 NIN的模型结构

10.4.2 NIN的Caffe代码实现及说明

10.4.3 NIN大规模图像分类案例

第11章 卷积神经网络的强化模型

11.1 强化学习的基本概念

11.2 深度强化学习网络的学习算法

11.3 深度强化学习网络的变种模型

11.4 深度强化学习网络的Flappy Bird智能体案例

11.4.1 笨笨鸟网络的开发环境和工具包

11.4.2 笨笨鸟网络的代码实现及说明

11.4.3 笨笨鸟网络的学习训练过程

11.4.4 笨笨鸟网络的演示效果

第12章 卷积神经网络的顶尖成就——AlphaGo

12.1 人工智能棋类程序简介

12.2 AlphaGo的设计原理

12.2.1 总体思路

12.2.2 训练流程

12.2.3 搜索过程

12.3 AlphaGo Zero的新思想

12.4 仿效AlphaGo的围棋程序案例MuGo

12.4.1 MuGo的开发环境

12.4.2 MuGo的代码实现及说明

12.4.3 MuGo的学习训练过程

12.4.4 MuGo的演示效果

附录A Caffe在Windows上的安装过程

附录B Caffe在Linux上的安装过程

附录C TensorFlow在Windows上的安装过程

附录D TensorFlow在Linux上的安装过程