《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 的使用 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
