本書不僅介紹了深度學習的發展歷史，強調了深層網絡的特點和優勢，說明了判別模型和生成模型的相關概念，而且詳述了深度學習的九種重要模型及其學習算法、變種模型和混雜模型，討論了深度學習在圖像處理、語音處理和自然語言處理等領域的廣泛應用，也總結了深度學習目前存在的問題、挑戰和未來的發展趨勢，還分析了一系列深度學習的基本案例。本書可以作為計算機、自動化、信號處理、機電工程、應用數學等相關專業的研究生、教師和科研工作者在具備神經網絡基礎知識后進一步了解深度學習理論和方法的入門教材或導論性參考書，有助于讀者掌握深度學習的主要內容并開展相關研究。
前言及時部分 基礎理論目 錄第1章概述 21.1深度學習的起源和發展 21.2深層網絡的特點和優勢 41.3深度學習的模型和算法 7第2章預備知識 92.1矩陣運算 92.2概率論的基本概念 112.2.1概率的定義和性質 l12.2.2 隨機變量和概率密度函數 l22.2.3期望和方差. 132.3信息論的基本概念. 142.4概率圖模型的基本概念 152.5概率有向圖模型 162.6概率無向圖模型 202.7部分有向無圈圖模型 222.8條件隨機場 242.9馬爾可夫鏈 262.10概率圖模型的學習 282.11概率圖模型的推理 292.12馬爾可夫鏈蒙特卡羅方法 312.13玻耳茲曼機的學習 322.14通用反向傳播算法 352.15通用逼近定理 37第3章受限玻耳茲曼機 383.1 受限玻耳茲曼機的標準模型 383.2受限玻耳茲曼機的學習算法 403.3 受限玻耳茲曼機的變種模型 44第4章 自編碼器 484.1 自編碼器的標準模型 484.2 自編碼器的學習算法 504.3 自編碼器的變種模型 53第5章深層信念網絡 575.1 深層信念網絡的標準模型 575.2深層信念網絡的生成學習算法 605.3深層信念網絡的判別學習算法 625.4深層信念網絡的變種模型 63第6章深層玻耳茲曼機 646.1 深層玻耳茲曼機的標準模型 646.2深層玻耳茲曼機的生成學習算法 656.3 深層玻耳茲曼機的判別學習算法 696.4深層玻耳茲曼機的變種模型 69第7章和積網絡 727.1 和積網絡的標準模型 727.2和積網絡的學習算法 747.3和積網絡的變種模型 77第8章卷積神經網絡 788.1卷積神經網絡的標準模型 788.2卷積神經網絡的學習算法 818.3卷積神經網絡的變種模型 83第9章深層堆疊網絡 一869.1 深層堆疊網絡的標準模型 869.2深層堆疊網絡的學習算法 879.3深層堆疊網絡的變種模型 88第1 0章循環神經網絡 8910.1循環神經網絡的標準模型 8910.2循環神經網絡的學習算法 9110.3循環神經網絡的變種模型 92第1 1章長短時記憶網絡 9411.1長短時記憶網絡的標準模型 9411.2長短時記憶網絡的學習算法 9611.3長短時記憶網絡的變種模型 98第12章深度學習的混合模型、廣泛應用和開發工具 10212.1深度學習的}昆合模型 10212.2深度學習的廣泛應用 10412.2.1 圖像和視頻處理 10412.2.2語音和音頻處理 10612.2.3 自然語言處理 10812.2.4其他應用 10912.3深度學習的開發工具 110第1 3章深度學習的總結、批評和展望 114第二部分案例分析第14章實驗背景 一11814.1運行環境 11814.2實驗數據 11814.3代碼工具 120第1 5章 自編碼器降維案例 一12115.1 自編碼器降維程序的模塊簡介 12115.2 自編碼器降維程序的運行過程 12215.3 自編碼器降維程序的代碼分析 12715.3.1 關鍵模塊或函數的主要功能 12715.3.2主要代碼分析及注釋 12815.4 自編碼器降維程序的使用技巧 138第1 6章深層感知器識別案例 13916.1 深層感知器識別程序的模塊簡介 13916.2深層感知器識別程序的運行過程 14016.3深層感知器識別程序的代碼分析 14316.3.1 關鍵模塊或函數的主要功能 14316.3.2主要代碼分析及注釋 l4316.4深層感知器識別程序的使用技巧 148第1 7章深層信念網絡生成案例 14917.1 深層信念網絡生成程序的模塊簡介 14917.2深層信念網絡生成程序的運行過程 15017.3深層信念網絡生成程序的代碼分析 153第18章深層信念網絡分類案例163第19章深層玻耳茲曼機識別案例202第20章卷積神經網絡識別案例221第21章循環神經網絡填充案例236第22章長短時憶網絡分類案例245附錄263參考文獻269
