深度学习：原理与应用实践

定　价：¥48.00

作　者：	张重生著
出版社：	电子工业出版社
丛编项：
标　签：	计算机/网络人工智能

购买这本书可以去

ISBN：	9787121304132	出版时间：	2016-12-01	包装：	平装
开本：	16开	页数：	232	字数：

内容简介

　　《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。

作者简介

　　张重生，男，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。

图书目录

深度学习基础篇第1 章绪论 21．1 引言 21．1．1 Google 的深度学习成果 21．1．2 Microsoft 的深度学习成果 31．1．3 国内公司的深度学习成果 31．2 深度学习技术的发展历程 41．3 深度学习的应用领域 61．3．1 图像识别领域 61．3．2 语音识别领域 61．3．3 自然语言理解领域 71．4 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 132．1 Google 在深度学习领域的研发现状 132．1．1 深度学习在Google 的应用 132．1．2 Google 的TensorFlow 深度学习平台 142．1．3 Google 的深度学习芯片TPU 152．2 Facebook 在深度学习领域的研发现状 152．2．1 Torchnet 152．2．2 DeepText 162．3 百度在深度学习领域的研发现状 172．3．1 光学字符识别 172．3．2 商品图像搜索 172．3．3 在线广告 182．3．4 以图搜图 182．3．5 语音识别 182．3．6 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 192．4 阿里巴巴在深度学习领域的研发现状 192．4．1 拍立淘 192．4．2 阿里小蜜――智能客服Messenger 202．5 京东在深度学习领域的研发现状 202．6 腾讯在深度学习领域的研发现状 212．7 科创型公司（基于深度学习的人脸识别系统） 222．8 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 303．1 神经元的概念 303．2 神经网络 313．2．1 后向传播算法 323．2．2 后向传播算法推导 333．3 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 394．1 卷积神经网络特性 394．1．1 局部连接 404．1．2 权值共享 414．1．3 空间相关下采样 424．2 卷积神经网络操作 424．2．1 卷积操作 424．2．2 下采样操作 444．3 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 505．1 Caffe 的安装 505．1．1 安装依赖包 515．1．2 CUDA 安装 515．1．3 MATLAB 和Python 安装 545．1．4 OpenCV 安装（可选） 595．1．5 Intel MKL 或者BLAS 安装 595．1．6 Caffe 编译和测试 595．1．7 Caffe 安装问题分析 625．2 Caffe 框架与源代码解析 635．2．1 数据层解析 635．2．2 网络层解析 745．2．3 网络结构解析 925．2．4 网络求解解析 104本章参考文献 109第6 章深度学习工具Pylearn2 1106．1 Pylearn2 的安装 1106．1．1 相关依赖安装 1106．1．2 安装Pylearn2 1126．2 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 1187．1 数据介绍 1187．1．1 MNIST 数据集 1187．1．2 提取MNIST 数据集图片 1207．2 手写字体识别流程 1217．2．1 模型介绍 1217．2．2 操作流程 1267．3 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 1298．1 数据来源 1298．1．1 Cifar10 数据集介绍 1298．1．2 Cifar10 数据集格式 1298．2 Cifar10 识别流程 1308．2．1 模型介绍 1308．2．2 操作流程 1368．3 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 1419．1 数据来源 1419．1．1 Caltech101 数据集 1419．1．2 Caltech101 数据集处理 1429．2 物体图像识别流程 1439．2．1 模型介绍 1439．2．2 操作流程 1449．3 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 15210．1 数据来源 15210．1．1 AT＆T Facedatabase 数据库 15210．1．2 数据库处理 15210．2 人脸识别流程 15410．2．1 模型介绍 15410．2．2 操作流程 15510．3 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 16211．1 问题定义与数据来源 16211．2 算法原理 16311．2．1 数据预处理 16311．2．2 模型训练策略 16411．2．3 算法验证和结果评估 16411．3 人脸识别步骤 16511．3．1 数据预处理 16511．3．2 深度网络结构模型 16811．3．3 提取深度特征与人脸验证 17111．4 实验结果分析 17411．4．1 实验数据 17411．4．2 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 17712．1 表情数据 17712．1．1 Cohn-Kanade（CK+）数据库 17712．1．2 JAFFE 数据库 17812．2 算法原理 17912．3 表情识别步骤 18012．3．1 数据预处理 18012．3．2 深度神经网络结构模型 18112．3．3 提取深度特征及分类 18212．4 实验结果分析 18412．4．1 实现细节 18412．4．2 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 19013．1 问题定义 19013．2 年龄估计算法 19013．2．1 数据预处理 19013．2．2 提取深度特征 19213．2．3 提取LBP 特征 19613．2．4 训练回归模型 19613．3 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 20014．1 问题定义和数据来源 20014．2 基于深度学习的人脸关键点检测的步骤 20114．2．1 数据预处理 20114．2．2 训练深度学习网络模型 20614．2．3 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 21415．1 深度学习领域当前的主流技术及其应用领域 21415．1．1 图像识别 21415．1．2 语音识别与自然语言理解 21515．2 深度学习的缺陷 21515．2．1 深度学习在硬件方面的门槛较高 21515．2．2 深度学习在软件安装与配置方面的门槛较高 21615．2．3 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 21615．2．4 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 21715．2．5 深度学习不适用于数据量较小的数据 21815．2．6 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 21815．2．7 研究人员从事深度学习研究的困境 21915．3 展望 220本章参考文献 220