"隨著深度學(xué)習(xí)相關(guān)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的成熟，深度學(xué)習(xí)已經(jīng)成為多種計(jì)算機(jī)視覺(jué)任務(wù)的常用工具。卷積神經(jīng)網(wǎng)絡(luò)模型由于其強(qiáng)大的表征能力，可以作為一種優(yōu)秀主干模型，但往往以較大的參數(shù)量和計(jì)算量為代價(jià)。
本書(shū)從基本架構(gòu)設(shè)計(jì)、新式通用組件、模型壓縮方法三個(gè)方面著手，試圖普遍地、一般地提升卷積神經(jīng)網(wǎng)絡(luò)的精度和效率。書(shū)中介紹的方法與深度學(xué)習(xí)實(shí)踐聯(lián)系緊密：現(xiàn)實(shí)生活中的視覺(jué)應(yīng)用一般要求在一定的推理延遲、吞吐量、模型大小和功耗的約束下盡可能追求更高的精度，所以開(kāi)發(fā)者既可以應(yīng)用一種新的架構(gòu)，可以用一些新式組件來(lái)提升現(xiàn)有架構(gòu)，亦可以對(duì)一個(gè)精度更高也更大的模型應(yīng)用壓縮技術(shù)使之滿(mǎn)足既定的效率約束條件。本書(shū)聚焦基礎(chǔ)，所提出的“結(jié)構(gòu)重參數(shù)化”理論、新式模型結(jié)構(gòu)和模型壓縮方法可以廣泛用于多種模型和多種任務(wù)。
本書(shū)可為機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)領(lǐng)域的初學(xué)者和具備一定基礎(chǔ)的工程技術(shù)人員及研究人員提供參考。"