《深度学习：原理与应用实践》全面、系统地介绍深度学习相关的技术，包括人工神经网络，卷积神经网络，深度学习平台及源代码分析，深度学习入门与进阶，深度学习高级实践，所有章节均附有源程序，所有实验读者均可重现，具有高度的可操作性和实用性。通过学习本书，研究人员、深度学习爱好者，能够在3 个月内，系统掌握深度学习相关的理论和技术。
目录
深度学习基础篇
第1 章 绪论 2
1．1 引言 2
1．1．1 Google 的深度学习成果 2
1．1．2 Microsoft 的深度学习成果 3
1．1．3 国内公司的深度学习成果 3
1．2 深度学习技术的发展历程 4
1．3 深度学习的应用领域 6
1．3．1 图像识别领域 6
1．3．2 语音识别领域 6
1．3．3 自然语言理解领域 7
1．4 如何开展深度学习的研究和应用开发 7
本章参考文献 11
第2 章 国内外深度学习技术研发现状及其产业化趋势 13
2．1 Google 在深度学习领域的研发现状 13
2．1．1 深度学习在Google 的应用 13
2．1．2 Google 的TensorFlow 深度学习平台 14
2．1．3 Google 的深度学习芯片TPU 15
2．2 Facebook 在深度学习领域的研发现状 15
2．2．1 Torchnet 15
2．2．2 DeepText 16
2．3 百度在深度学习领域的研发现状 17
2．3．1 光学字符识别 17
2．3．2 商品图像搜索 17
2．3．3 在线广告 18
2．3．4 以图搜图 18
2．3．5 语音识别 18
2．3．6 百度开源深度学习平台MXNet 及其改进的深度语音识别系统Warp-CTC 19
2．4 阿里巴巴在深度学习领域的研发现状 19
2．4．1 拍立淘 19
2．4．2 阿里小蜜――智能客服Messenger 20
2．5 京东在深度学习领域的研发现状 20
2．6 腾讯在深度学习领域的研发现状 21
2．7 科创型公司（基于深度学习的人脸识别系统） 22
2．8 深度学习的硬件支撑――NVIDIA GPU 23
本章参考文献 24
深度学习理论篇
第3 章 神经网络 30
3．1 神经元的概念 30
3．2 神经网络 31
3．2．1 后向传播算法 32
3．2．2 后向传播算法推导 33
3．3 神经网络算法示例 36
本章参考文献 38
第4 章 卷积神经网络 39
4．1 卷积神经网络特性 39
4．1．1 局部连接 40
4．1．2 权值共享 41
4．1．3 空间相关下采样 42
4．2 卷积神经网络操作 42
4．2．1 卷积操作 42
4．2．2 下采样操作 44
4．3 卷积神经网络示例：LeNet-5 45
本章参考文献 48
深度学习工具篇
第5 章 深度学习工具Caffe 50
5．1 Caffe 的安装 50
5．1．1 安装依赖包 51
5．1．2 CUDA 安装 51
5．1．3 MATLAB 和Python 安装 54
5．1．4 OpenCV 安装（可选） 59
5．1．5 Intel MKL 或者BLAS 安装 59
5．1．6 Caffe 编译和测试 59
5．1．7 Caffe 安装问题分析 62
5．2 Caffe 框架与源代码解析 63
5．2．1 数据层解析 63
5．2．2 网络层解析 74
5．2．3 网络结构解析 92
5．2．4 网络求解解析 104
本章参考文献 109
第6 章 深度学习工具Pylearn2 110
6．1 Pylearn2 的安装 110
6．1．1 相关依赖安装 110
6．1．2 安装Pylearn2 112
6．2 Pylearn2 的应用 112
本章参考文献 116
深度学习实践篇（入门与进阶）
第7 章 基于深度学习的手写数字识别 118
7．1 数据介绍 118
7．1．1 MNIST 数据集 118
7．1．2 提取MNIST 数据集图片 120
7．2 手写字体识别流程 121
7．2．1 模型介绍 121
7．2．2 操作流程 126
7．3 实验结果分析 127
本章参考文献 128
第8 章 基于深度学习的图像识别 129
8．1 数据来源 129
8．1．1 Cifar10 数据集介绍 129
8．1．2 Cifar10 数据集格式 129
8．2 Cifar10 识别流程 130
8．2．1 模型介绍 130
8．2．2 操作流程 136
8．3 实验结果分析 139
本章参考文献 140
第9 章 基于深度学习的物体图像识别 141
9．1 数据来源 141
9．1．1 Caltech101 数据集 141
9．1．2 Caltech101 数据集处理 142
9．2 物体图像识别流程 143
9．2．1 模型介绍 143
9．2．2 操作流程 144
9．3 实验结果分析 150
本章参考文献 151
第10 章 基于深度学习的人脸识别 152
10．1 数据来源 152
10．1．1 AT＆T Facedatabase 数据库 152
10．1．2 数据库处理 152
10．2 人脸识别流程 154
10．2．1 模型介绍 154
10．2．2 操作流程 155
10．3 实验结果分析 159
本章参考文献 160
深度学习实践篇（高级应用）
第11 章 基于深度学习的人脸识别――DeepID 算法 162
11．1 问题定义与数据来源 162
11．2 算法原理 163
11．2．1 数据预处理 163
11．2．2 模型训练策略 164
11．2．3 算法验证和结果评估 164
11．3 人脸识别步骤 165
11．3．1 数据预处理 165
11．3．2 深度网络结构模型 168
11．3．3 提取深度特征与人脸验证 171
11．4 实验结果分析 174
11．4．1 实验数据 174
11．4．2 实验结果分析 175
本章参考文献 176
第12 章 基于深度学习的表情识别 177
12．1 表情数据 177
12．1．1 Cohn-Kanade（CK+）数据库 177
12．1．2 JAFFE 数据库 178
12．2 算法原理 179
12．3 表情识别步骤 180
12．3．1 数据预处理 180
12．3．2 深度神经网络结构模型 181
12．3．3 提取深度特征及分类 182
12．4 实验结果分析 184
12．4．1 实现细节 184
12．4．2 实验结果对比 185
本章参考文献 188
第13 章 基于深度学习的年龄估计 190
13．1 问题定义 190
13．2 年龄估计算法 190
13．2．1 数据预处理 190
13．2．2 提取深度特征 192
13．2．3 提取LBP 特征 196
13．2．4 训练回归模型 196
13．3 实验结果分析 199
本章参考文献 199
第14 章 基于深度学习的人脸关键点检测 200
14．1 问题定义和数据来源 200
14．2 基于深度学习的人脸关键点检测的步骤 201
14．2．1 数据预处理 201
14．2．2 训练深度学习网络模型 206
14．2．3 预测和处理关键点坐标 207
本章参考文献 212
深度学习总结与展望篇
第15 章 总结与展望 214
15．1 深度学习领域当前的主流技术及其应用领域 214
15．1．1 图像识别 214
15．1．2 语音识别与自然语言理解 215
15．2 深度学习的缺陷 215
15．2．1 深度学习在硬件方面的门槛较高 215
15．2．2 深度学习在软件安装与配置方面的门槛较高 216
15．2．3 深度学习最重要的问题在于需要海量的有标注的数据作为支撑 216
15．2．4 深度学习的最后阶段竟然变成枯燥、机械、及其耗时的调参工作 217
15．2．5 深度学习不适用于数据量较小的数据 218
15．2．6 深度学习目前主要用于图像、声音的识别和自然语言的理解 218
15．2．7 研究人员从事深度学习研究的困境 219
15．3 展望 220
本章参考文献 220
下载体验