深度学习原理与应用

封面

版权信息

内容简介

前言

第1章 深度学习概述

1.1 什么是深度学习

1.2 为什么会出现深度学习

1.3 深度学习方法的分类

1.4 人工神经网络的发展简史

思考题

第2章 必备的数学知识

2.1 线性代数

2.2 微积分

2.3 概率统计

第3章 神经网络

3.1 生物神经元

3.2 M-P模型

3.3 前馈神经网络

3.4 感知器

3.5 神经网络的学习

3.6 误差反向传播算法

3.7 随机梯度下降法

3.8 神经网络学习算法的基本步骤

思考题

第4章 卷积神经网络

4.1 卷积神经网络的结构

4.2 输入层

4.3 卷积层

4.4 池化层

4.5 全连接层

4.6 输出层

4.7 卷积神经网络的训练方法

4.8 卷积神经网络的可视化

4.9 典型的卷积神经网络

思考题

第5章 反馈神经网络

5.1 Hopfield神经网络

5.2 离散型Hopfield神经网络

5.3 连续型Hopfield神经网络

5.4 玻尔兹曼机

5.5 受限玻尔兹曼机

5.6 对比散度算法

5.7 深度信念网络

思考题

第6章 自编码器

6.1 自编码器

6.2 降噪自编码器

6.3 稀疏自编码器

6.4 栈式自编码器

6.5 变分自编码器

思考题

第7章 循环神经网络

7.1 循环神经网络概述

7.2 隐马尔可夫链

7.3 循环神经网络架构

7.4 LSTM

思考题

第8章 生成对抗网络

8.1 生成对抗网络概述

8.2 生成对抗网络

8.3 条件生成对抗网络

8.4 深度对抗生成网络

8.5 基于DCGAN生成人脸图片

思考题

第9章 学习有关的处理技巧

9.1 训练样本

9.2 数据预处理

9.3 Dropout与DropConnect

9.4 正则化

9.5 权重的初值设置

思考题

第10章 深度学习开发工具

10.1 TensorFlow

10.2 Caffe

思考题

第11章 自动化机器学习

11.1 AutoML简介

11.2 AutoML与传统方法的对比

11.3 现有AutoML平台产品

第12章 深度学习的未来

12.1 物体识别

12.2 物体检测

12.3 图像分割

12.4 回归问题

12.5 图像标注生成

12.6 图像风格变换

12.7 自动驾驶

12.8 强化学习

12.9 深度学习的最新应用

12.10 深度学习的发展趋势分析