"隨著深度學習相關(guān)技術(shù)的發(fā)展，特別是卷積神經(jīng)網(wǎng)絡技術(shù)的成熟，深度學習已經(jīng)成為多種計算機視覺任務的常用工具。卷積神經(jīng)網(wǎng)絡模型由于其強大的表征能力，可以作為一種優(yōu)秀主干模型，但往往以較大的參數(shù)量和計算量為代價。
本書從基本架構(gòu)設計、新式通用組件、模型壓縮方法三個方面著手，試圖普遍地、一般地提升卷積神經(jīng)網(wǎng)絡的精度和效率。書中介紹的方法與深度學習實踐聯(lián)系緊密：現(xiàn)實生活中的視覺應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，所以開發(fā)者既可以應用一種新的架構(gòu)，可以用一些新式組件來提升現(xiàn)有架構(gòu)，亦可以對一個精度更高也更大的模型應用壓縮技術(shù)使之滿足既定的效率約束條件。本書聚焦基礎，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。
本書可為機器學習和計算機視覺領域的初學者和具備一定基礎的工程技術(shù)人員及研究人員提供參考。"