这些资源你可能感兴趣
本书全面、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。
编辑推荐
本书全面、系统地介绍深度学习相关的技术，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。
作者简介
张重生，博士，教授，硕士生导师，河南大学大数据研究中心、大数据团队带头人。研究领域为大数据分析、深度学习、数据挖掘、数据库、数据流（实时数据分析）。
博士毕业于 INRIA,France(法国国家信息与自动化研究所)，获得优秀博士论文荣誉。2010年08月至2011年3月，在美国加州大学洛杉矶分校(UCLA)，计算机系，师从著名的数据库专家Carlo Zaniolo教授，从事数据挖掘领域的合作研究。 2012-2013,挪威科技大学，ERCIM/Marie-Curie Fellow。
目录
目录
深度学习基础篇
第1章绪论
1.1引言
1.1.1Google的深度学习成果
1.1.2Microsoft的深度学习成果
1.1.3国内公司的深度学习成果
1.2深度学习技术的发展历程
1.3深度学习的应用领域
1.3.1图像识别领域
1.3.2语音识别领域
1.3.3自然语言理解领域
1.4如何开展深度学习的研究和应用开发
本章参考文献
第2章国内外深度学习技术研发现状及其产业化趋势
2.1Google在深度学习领域的研发现状
2.1.1深度学习在Google的应用
2.1.2Google的Tensor Flow深度学习平台
2.1.3Google的深度学习芯片TPU
2.2Facebook在深度学习领域的研发现状
2.2.1Torchnet
2.2.2DeepText
2.3百度在深度学习领域的研发现状
2.3.1光学字符识别
2.3.2商品图像搜索
2.3.3在线广告
2.3.4以图搜图
2.3.5语音识别
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
2.4阿里巴巴在深度学习领域的研发现状
2.4.1拍立淘
2.4.2阿里小蜜——智能客服Messenger
2.5京 东在深度学习领域的研发现状
2.6腾讯在深度学习领域的研发现状
2.7科创型公司（基于深度学习的人脸识别系统）
2.8深度学习的硬件支撑——NVIDIAGPU
本章参考文献
深度学习理论篇
第3章神经网络
3.1神经元的概念
3.2神经网络
3.2.1后向传播算法
3.2.2后向传播算法推导
3.3神经网络算法示例
本章参考文献
第4章卷积神经网络
4.1卷积神经网络特性
4.1.1局部连接
4.1.2权值共享
4.1.3空间相关下采样
4.2卷积神经网络操作
4.2.1卷积操作
4.2.2下采样操作
4.3卷积神经网络示例：LeNet—5
本章参考文献
深度学习工具篇
第5章深度学习工具Caffe
5.1Caffe的安装
5.1.1安装依赖包
5.1.2CUDA安装
5.1.3MATLAB和Python安装
5.1.4OpenCV安装（可选）
5.1.5IntelMKL或者BLAS安装
5.1.6Caffe编译和测试
5.1.7Caffe安装问题分析
5.2Caffe框架与源代码解析
5.2.1数据层解析
5.2.2网络层解析
5.2.3网络结构解析
5.2.4网络求解解析
本章参考文献
第6章深度学习工具Pylearn2
6.1Pylearn2的安装
6.1.1相关依赖安装
6.1.2安装Pylearn2
6.2Pylearn2的使用
本章参考文献
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
7.1数据介绍
7.1.1MNIST数据集
7.1.2提取MNIST数据集图片
7.2手写字体识别流程
7.2.1模型介绍
7.2.2操作流程
7.3实验结果分析
本章参考文献
第8章基于深度学习的图像识别
8.1数据来源
8.1.1Cifar10数据集介绍
8.1.2Cifar10数据集格式
8.2Cifar10识别流程
8.2.1模型介绍
8.2.2操作流程
8.3实验结果分析
本章参考文献
第9章基于深度学习的物体图像识别
9.1数据来源
9.1.1Caltech101数据集
9.1.2Caltech101数据集处理
9.2物体图像识别流程
9.2.1模型介绍
9.2.2操作流程
9.3实验结果分析
本章参考文献
第10章基于深度学习的人脸识别
10.1数据来源
10.1.1AT＆TFacedatabase数据库
10.1.2数据库处理
10.2人脸识别流程
10.2.1模型介绍
10.2.2操作流程
10.3实验结果分析
本章参考文献
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
11.1问题定义与数据来源
11.2算法原理
11.2.1数据预处理
11.2.2模型训练策略
11.2.3算法验证和结果评估
11.3人脸识别步骤
11.3.1数据预处理
11.3.2深度网络结构模型
11.3.3提取深度特征与人脸验证
11.4实验结果分析
11.4.1实验数据
11.4.2实验结果分析
本章参考文献
第12章基于深度学习的表情识别
12.1表情数据
12.1.1Cohn—Kanade（CK+）数据库
12.1.2JAFFE数据库
12.2算法原理
12.3表情识别步骤
12.3.1数据预处理
12.3.2深度神经网络结构模型
12.3.3提取深度特征及分类
12.4实验结果分析
12.4.1实现细节
12.4.2实验结果对比
本章参考文献
第13章基于深度学习的年龄估计
13.1问题定义
13.2年龄估计算法
13.2.1数据预处理
13.2.2提取深度特征
13.2.3提取LBP特征
13.2.4训练回归模型
13.3实验结果分析
本章参考文献
第14章基于深度学习的人脸关键点检测
14.1问题定义和数据来源
14.2基于深度学习的人脸关键点检测的步骤
14.2.1数据预处理
14.2.2训练深度学习网络模型
14.2.3预测和处理关键点坐标
本章参考文献
深度学习总结与展望篇
第15章总结与展望
15.1深度学习领域当前的主流技术及其应用领域
15.1.1图像识别
15.1.2语音识别与自然语言理解
15.2深度学习的缺陷
15.2.1深度学习在硬件方面的门槛较高
15.2.2深度学习在软件安装与配置方面的门槛较高
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
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
15.2.5深度学习不适用于数据量较小的数据
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
15.2.7研究人员从事深度学习研究的困境
15.3展望
本章参考文献
本书评论