\t本书系统介绍了CNN（卷积神经网络）可视化解释技术的原理及实现方法。全书共8章，内容围绕科学研究及工程应用需求组织，涉及深度学习的CNN可解释概念与基础、可视化解释实现方法、可视化解释应用等。本书语言简练，案例丰富，重点突出，逻辑性强，便于读者学习与掌握。本书可以作为普通高等院校人工智能、智能科学与技术、计算机科学与技术、模式识别等专业本科生、研究生的学习材料，也可以为从事深度学习相关领域设计应用和开发工作的研究人员、工程技术人员提供参考。

\t第1章绪论

\t1.1深度学习的发展回顾

\t1.2深度学习的可解释性

\t1.2.1深度学习可解释的含义

\t1.2.2 深度学习可解释的目的

\t1.2.3 深度学习可解释的发展

\t1. 2. 4 深度学习可解释的方法

\t1.3 CNN可视化解释

\t1. 3. 1 CNN发展历程

\t1. 3. 2 CNN视觉特性

\t1. 3. 3 CNN解释实现

\t本章小结

\t第2章 CNN原理与经典网络

\t2.1  深度学习理论基础

\t2. 1. 1 神经网络演进过程

\t2.1.2 BP神经网络算法

\t2.1.3训练求解过程优化

\t2.2深度学习框架·

\t2.2.1 常见深度学习框架

\t2.2.2 开发框架综合比较

\t2. 2.3 PyTorch开发实例

\t2.3CNN及关键技术

\t2. 3. 1 CNN结构原理

\t2. 3. 2 CNN关键技术

\t2.3.3 CNN代码实例

\t……