《深度學習：原理與應用實踐》全面、系統(tǒng)地介紹深度學習相關(guān)的技術(shù)，包括人工神經(jīng)網(wǎng)絡，卷積神經(jīng)網(wǎng)絡，深度學習平臺及源代碼分析，深度學習入門與進階，深度學習高級實踐，所有章節(jié)均附有源程序，所有實驗讀者均可重現(xiàn)，具有高度的可操作性和實用性。通過學習本書，研究人員、深度學習愛好者，能夠在3 個月內(nèi)，系統(tǒng)掌握深度學習相關(guān)的理論和技術(shù)。

目錄
深度學習基礎(chǔ)篇
第1 章 緒論 2
1．1 引言 2
1．1．1 Google 的深度學習成果 2
1．1．2 Microsoft 的深度學習成果 3
1．1．3 國內(nèi)公司的深度學習成果 3
1．2 深度學習技術(shù)的發(fā)展歷程 4
1．3 深度學習的應用領(lǐng)域 6
1．3．1 圖像識別領(lǐng)域 6
1．3．2 語音識別領(lǐng)域 6
1．3．3 自然語言理解領(lǐng)域 7
1．4 如何開展深度學習的研究和應用開發(fā) 7
本章參考文獻 11
第2 章 國內(nèi)外深度學習技術(shù)研發(fā)現(xiàn)狀及其產(chǎn)業(yè)化趨勢 13
2．1 Google 在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 13
2．1．1 深度學習在Google 的應用 13
2．1．2 Google 的TensorFlow 深度學習平臺 14
2．1．3 Google 的深度學習芯片TPU 15
2．2 Facebook 在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 15
2．2．1 Torchnet 15
2．2．2 DeepText 16
2．3 百度在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 17
2．3．1 光學字符識別 17
2．3．2 商品圖像搜索 17
2．3．3 在線廣告 18
2．3．4 以圖搜圖 18
2．3．5 語音識別 18
2．3．6 百度開源深度學習平臺MXNet 及其改進的深度語音識別系統(tǒng)Warp-CTC 19
2．4 阿里巴巴在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 19
2．4．1 拍立淘 19
2．4．2 阿里小蜜――智能客服Messenger 20
2．5 京東在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 20
2．6 騰訊在深度學習領(lǐng)域的研發(fā)現(xiàn)狀 21
2．7 科創(chuàng)型公司（基于深度學習的人臉識別系統(tǒng)） 22
2．8 深度學習的硬件支撐――NVIDIA GPU 23
本章參考文獻 24
深度學習理論篇
第3 章 神經(jīng)網(wǎng)絡 30
3．1 神經(jīng)元的概念 30
3．2 神經(jīng)網(wǎng)絡 31
3．2．1 后向傳播算法 32
3．2．2 后向傳播算法推導 33
3．3 神經(jīng)網(wǎng)絡算法示例 36
本章參考文獻 38
第4 章 卷積神經(jīng)網(wǎng)絡 39
4．1 卷積神經(jīng)網(wǎng)絡特性 39
4．1．1 局部連接 40
4．1．2 權(quán)值共享 41
4．1．3 空間相關(guān)下采樣 42
4．2 卷積神經(jīng)網(wǎng)絡操作 42
4．2．1 卷積操作 42
4．2．2 下采樣操作 44
4．3 卷積神經(jīng)網(wǎng)絡示例：LeNet-5 45
本章參考文獻 48
深度學習工具篇
第5 章 深度學習工具Caffe 50
5．1 Caffe 的安裝 50
5．1．1 安裝依賴包 51
5．1．2 CUDA 安裝 51
5．1．3 MATLAB 和Python 安裝 54
5．1．4 OpenCV 安裝（可選） 59
5．1．5 Intel MKL 或者BLAS 安裝 59
5．1．6 Caffe 編譯和測試 59
5．1．7 Caffe 安裝問題分析 62
5．2 Caffe 框架與源代碼解析 63
5．2．1 數(shù)據(jù)層解析 63
5．2．2 網(wǎng)絡層解析 74
5．2．3 網(wǎng)絡結(jié)構(gòu)解析 92
5．2．4 網(wǎng)絡求解解析 104
本章參考文獻 109
第6 章 深度學習工具Pylearn2 110
6．1 Pylearn2 的安裝 110
6．1．1 相關(guān)依賴安裝 110
6．1．2 安裝Pylearn2 112
6．2 Pylearn2 的使用 112
本章參考文獻 116
深度學習實踐篇（入門與進階）
第7 章 基于深度學習的手寫數(shù)字識別 118
7．1 數(shù)據(jù)介紹 118
7．1．1 MNIST 數(shù)據(jù)集 118
7．1．2 提取MNIST 數(shù)據(jù)集圖片 120
7．2 手寫字體識別流程 121
7．2．1 模型介紹 121
7．2．2 操作流程 126
7．3 實驗結(jié)果分析 127
本章參考文獻 128
第8 章 基于深度學習的圖像識別 129
8．1 數(shù)據(jù)來源 129
8．1．1 Cifar10 數(shù)據(jù)集介紹 129
8．1．2 Cifar10 數(shù)據(jù)集格式 129
8．2 Cifar10 識別流程 130
8．2．1 模型介紹 130
8．2．2 操作流程 136
8．3 實驗結(jié)果分析 139
本章參考文獻 140
第9 章 基于深度學習的物體圖像識別 141
9．1 數(shù)據(jù)來源 141
9．1．1 Caltech101 數(shù)據(jù)集 141
9．1．2 Caltech101 數(shù)據(jù)集處理 142
9．2 物體圖像識別流程 143
9．2．1 模型介紹 143
9．2．2 操作流程 144
9．3 實驗結(jié)果分析 150
本章參考文獻 151
第10 章 基于深度學習的人臉識別 152
10．1 數(shù)據(jù)來源 152
10．1．1 AT＆T Facedatabase 數(shù)據(jù)庫 152
10．1．2 數(shù)據(jù)庫處理 152
10．2 人臉識別流程 154
10．2．1 模型介紹 154
10．2．2 操作流程 155
10．3 實驗結(jié)果分析 159
本章參考文獻 160
深度學習實踐篇（高級應用）
第11 章 基于深度學習的人臉識別――DeepID 算法 162
11．1 問題定義與數(shù)據(jù)來源 162
11．2 算法原理 163
11．2．1 數(shù)據(jù)預處理 163
11．2．2 模型訓練策略 164
11．2．3 算法驗證和結(jié)果評估 164
11．3 人臉識別步驟 165
11．3．1 數(shù)據(jù)預處理 165
11．3．2 深度網(wǎng)絡結(jié)構(gòu)模型 168
11．3．3 提取深度特征與人臉驗證 171
11．4 實驗結(jié)果分析 174
11．4．1 實驗數(shù)據(jù) 174
11．4．2 實驗結(jié)果分析 175
本章參考文獻 176
第12 章 基于深度學習的表情識別 177
12．1 表情數(shù)據(jù) 177
12．1．1 Cohn-Kanade（CK+）數(shù)據(jù)庫 177
12．1．2 JAFFE 數(shù)據(jù)庫 178
12．2 算法原理 179
12．3 表情識別步驟 180
12．3．1 數(shù)據(jù)預處理 180
12．3．2 深度神經(jīng)網(wǎng)絡結(jié)構(gòu)模型 181
12．3．3 提取深度特征及分類 182
12．4 實驗結(jié)果分析 184
12．4．1 實現(xiàn)細節(jié) 184
12．4．2 實驗結(jié)果對比 185
本章參考文獻 188
第13 章 基于深度學習的年齡估計 190
13．1 問題定義 190
13．2 年齡估計算法 190
13．2．1 數(shù)據(jù)預處理 190
13．2．2 提取深度特征 192
13．2．3 提取LBP 特征 196
13．2．4 訓練回歸模型 196
13．3 實驗結(jié)果分析 199
本章參考文獻 199
第14 章 基于深度學習的人臉關(guān)鍵點檢測 200
14．1 問題定義和數(shù)據(jù)來源 200
14．2 基于深度學習的人臉關(guān)鍵點檢測的步驟 201
14．2．1 數(shù)據(jù)預處理 201
14．2．2 訓練深度學習網(wǎng)絡模型 206
14．2．3 預測和處理關(guān)鍵點坐標 207
本章參考文獻 212
深度學習總結(jié)與展望篇
第15 章 總結(jié)與展望 214
15．1 深度學習領(lǐng)域當前的主流技術(shù)及其應用領(lǐng)域 214
15．1．1 圖像識別 214
15．1．2 語音識別與自然語言理解 215
15．2 深度學習的缺陷 215
15．2．1 深度學習在硬件方面的門檻較高 215
15．2．2 深度學習在軟件安裝與配置方面的門檻較高 216
15．2．3 深度學習最重要的問題在于需要海量的有標注的數(shù)據(jù)作為支撐 216
15．2．4 深度學習的最后階段竟然變成枯燥、機械、及其耗時的調(diào)參工作 217
15．2．5 深度學習不適用于數(shù)據(jù)量較小的數(shù)據(jù) 218
15．2．6 深度學習目前主要用于圖像、聲音的識別和自然語言的理解 218
15．2．7 研究人員從事深度學習研究的困境 219
15．3 展望 220
本章參考文獻 220