深度学习 原理与应用实践PDF|Epub|txt|kindle电子书版本网盘下载

深度学习 原理与应用实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

深度学习基础篇2

第1章 绪论2

1.1引言2

1.1.1Google的深度学习成果2

1.1.2Microsoft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

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

2.1Google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

2.1.2Google的TensorFlow深度学习平台14

2.1.3Google的深度学习芯片TPU15

2.2Facebook在深度学习领域的研发现状15

2.2.1Torchnet15

2.2.2DeepText16

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-CTC19

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Messenger20

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 GPU23

参考文献24

深度学习理论篇30

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

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-545

参考文献48

深度学习工具篇50

第5章 深度学习工具Caffe50

5.1Caffe的安装50

5.1.1安装依赖包51

5.1.2CUDA安装51

5.1.3MATLAB和Python安装54

5.1.4OpenCV安装（可选）59

5.1.5Intel MKL或者BLAS安装59

5.1.6Caffe编译和测试59

5.1.7Caffe安装问题分析62

5.2Caffe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

参考文献109

第6章 深度学习工具Pylearn2110

6.1Pyleam2的安装110

6.1.1相关依赖安装110

6.1.2安装Pylearn2112

6.2Pylearn2的使用112

参考文献116

深度学习实践篇（入门与进阶）118

第7章 基于深度学习的手写数字识别118

7.1数据介绍118

7.1.1MNIST数据集118

7.1.2提取MNIST数据集图片120

7.2手写数字识别流程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

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

8.1.1Cifar10数据集介绍129

8.1.2Cifar10数据集格式129

8.2Cifar10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

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

9.1.1Caltech101数据集141

9.1.2Caltech101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

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

10.1.1AT＆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

参考文献160

深度学习实践篇（高级应用）162

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

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

12.1.1Cohn-Kanade（CK＋）数据库177

12.1.2JAFFE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

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

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

参考文献212

深度学习总结与展望篇214

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

参考文献220