本书通过扎实、详细的内容和清晰的结构，从算法理论、算法源码、实验结果等方面对深度学习算法进行分析和介绍。本书共三篇，第一篇主要介绍深度学习在计算机视觉方向的一些卷积神经网络，从基础骨干网络、轻量级 CNN、模型架构搜索 3 个方向展开，介绍计算机视觉方向的里程碑算法；第二篇主要介绍深度学习在自然语言处理方向的重要突破，包括基础序列模型和模型预训练；第三篇主要介绍深度学习在模型优化上的进展，包括模型优化方法。

通过阅读本书，读者可以深入理解主流的深度学习基础算法，搭建起自己的知识体系，领会算法的本质，学习模型优化方法。无论是从事深度学习科研的教师及学生，还是从事算法落地实践的工作人员，都能从本书中获益。

当前，深度学习模型的规模越来越大,例如谷歌的 BERT模型、OpenAl的GPT系列模型等；深度学习算法在不断优化，例如在计算机视觉领域，图像分类、目标检测等任务应用深度学习算法后,准确率得到了显著提升；深度学习的应用领域在不断拓展,除了在自然语言处理、计算机视觉,语音识别等领域，深度学习在医疗、金融等领域也得到了广泛应用。因此，从事深度学习相关工作需要不断学习和巩固基础知识，提升业务实践能力，持续关注新技术和新方法，并不断拓展知识面。

本书包含深度学习的经典应用场景，从算法原理、公式推导、算法源码、实验结果等方面对各场景的算法进行分析和介绍，重点讨论深度学习算法在目标检测与分割、场景文字检测与识别等方向的发展历程以及各算法的优缺点，并分析各算法是如何针对先前算法的若干问题提出解决方案的。具体内容有：

***深度学习在目标检测与分割领域的前沿算法，包括双阶段检测、单阶段检测、无锚点检测、特征融合、损失函数、语义分割 6个方向的算法；

***深度学习在场景文字检测与识别领域的重要突破，包括场景文字检测、场景文字识别这两个阶段的算法；

***深度学习的其他应用领域的算法，包括图像翻译、图神经网络、二维结构识别、人像抠图图像预训练、多模态预训练 5个方向的算法；

***算法中的数学原理，包括双线性插值、匈牙利算法、Shift-and-Stitch、德劳内三角化、图像梯度、仿射变换矩阵等。