深度學習：原理與應用實踐

深度學習基礎篇第1 章 緒論 21．1 引言 21．1．1 Google 的深度學習成果 21．1．2 Microsoft 的深度學習成果 31．1．3 國內公司的深度學習成果 31．2 深度學習技術的發(fā)展歷程 41．3 深度學習的應用領域 61．3．1 圖像識別領域 61．3．2 語音識別領域 61．3．3 自然語言理解領域 71．4 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 國內外深度學習技術研發(fā)現狀及其產業(yè)化趨勢 132．1 Google 在深度學習領域的研發(fā)現狀 132．1．1 深度學習在Google 的應用 132．1．2 Google 的TensorFlow 深度學習平臺 142．1．3 Google 的深度學習芯片TPU 152．2 Facebook 在深度學習領域的研發(fā)現狀 152．2．1 Torchnet 152．2．2 DeepText 162．3 百度在深度學習領域的研發(fā)現狀 172．3．1 光學字符識別 172．3．2 商品圖像搜索 172．3．3 在線廣告 182．3．4 以圖搜圖 182．3．5 語音識別 182．3．6 百度開源深度學習平臺MXNet 及其改進的深度語音識別系統Warp-CTC 192．4 阿里巴巴在深度學習領域的研發(fā)現狀 192．4．1 拍立淘 192．4．2 阿里小蜜――智能客服Messenger 202．5 京東在深度學習領域的研發(fā)現狀 202．6 騰訊在深度學習領域的研發(fā)現狀 212．7 科創(chuàng)型公司（基于深度學習的人臉識別系統） 222．8 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 神經網絡 303．1 神經元的概念 303．2 神經網絡 313．2．1 后向傳播算法 323．2．2 后向傳播算法推導 333．3 神經網絡算法示例 36本章參考文獻 38第4 章 卷積神經網絡 394．1 卷積神經網絡特性 394．1．1 局部連接 404．1．2 權值共享 414．1．3 空間相關下采樣 424．2 卷積神經網絡操作 424．2．1 卷積操作 424．2．2 下采樣操作 444．3 卷積神經網絡示例：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 505．1 Caffe 的安裝 505．1．1 安裝依賴包 515．1．2 CUDA 安裝 515．1．3 MATLAB 和Python 安裝 545．1．4 OpenCV 安裝（可選） 595．1．5 Intel MKL 或者BLAS 安裝 595．1．6 Caffe 編譯和測試 595．1．7 Caffe 安裝問題分析 625．2 Caffe 框架與源代碼解析 635．2．1 數據層解析 635．2．2 網絡層解析 745．2．3 網絡結構解析 925．2．4 網絡求解解析 104本章參考文獻 109第6 章 深度學習工具Pylearn2 1106．1 Pylearn2 的安裝 1106．1．1 相關依賴安裝 1106．1．2 安裝Pylearn2 1126．2 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字識別 1187．1 數據介紹 1187．1．1 MNIST 數據集 1187．1．2 提取MNIST 數據集圖片 1207．2 手寫字體識別流程 1217．2．1 模型介紹 1217．2．2 操作流程 1267．3 實驗結果分析 127本章參考文獻 128第8 章 基于深度學習的圖像識別 1298．1 數據來源 1298．1．1 Cifar10 數據集介紹 1298．1．2 Cifar10 數據集格式 1298．2 Cifar10 識別流程 1308．2．1 模型介紹 1308．2．2 操作流程 1368．3 實驗結果分析 139本章參考文獻 140第9 章 基于深度學習的物體圖像識別 1419．1 數據來源 1419．1．1 Caltech101 數據集 1419．1．2 Caltech101 數據集處理 1429．2 物體圖像識別流程 1439．2．1 模型介紹 1439．2．2 操作流程 1449．3 實驗結果分析 150本章參考文獻 151第10 章 基于深度學習的人臉識別 15210．1 數據來源 15210．1．1 AT＆T Facedatabase 數據庫 15210．1．2 數據庫處理 15210．2 人臉識別流程 15410．2．1 模型介紹 15410．2．2 操作流程 15510．3 實驗結果分析 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 16211．1 問題定義與數據來源 16211．2 算法原理 16311．2．1 數據預處理 16311．2．2 模型訓練策略 16411．2．3 算法驗證和結果評估 16411．3 人臉識別步驟 16511．3．1 數據預處理 16511．3．2 深度網絡結構模型 16811．3．3 提取深度特征與人臉驗證 17111．4 實驗結果分析 17411．4．1 實驗數據 17411．4．2 實驗結果分析 175本章參考文獻 176第12 章 基于深度學習的表情識別 17712．1 表情數據 17712．1．1 Cohn-Kanade（CK+）數據庫 17712．1．2 JAFFE 數據庫 17812．2 算法原理 17912．3 表情識別步驟 18012．3．1 數據預處理 18012．3．2 深度神經網絡結構模型 18112．3．3 提取深度特征及分類 18212．4 實驗結果分析 18412．4．1 實現細節(jié) 18412．4．2 實驗結果對比 185本章參考文獻 188第13 章 基于深度學習的年齡估計 19013．1 問題定義 19013．2 年齡估計算法 19013．2．1 數據預處理 19013．2．2 提取深度特征 19213．2．3 提取LBP 特征 19613．2．4 訓練回歸模型 19613．3 實驗結果分析 199本章參考文獻 199第14 章 基于深度學習的人臉關鍵點檢測 20014．1 問題定義和數據來源 20014．2 基于深度學習的人臉關鍵點檢測的步驟 20114．2．1 數據預處理 20114．2．2 訓練深度學習網絡模型 20614．2．3 預測和處理關鍵點坐標 207本章參考文獻 212深度學習總結與展望篇第15 章 總結與展望 21415．1 深度學習領域當前的主流技術及其應用領域 21415．1．1 圖像識別 21415．1．2 語音識別與自然語言理解 21515．2 深度學習的缺陷 21515．2．1 深度學習在硬件方面的門檻較高 21515．2．2 深度學習在軟件安裝與配置方面的門檻較高 21615．2．3 深度學習最重要的問題在于需要海量的有標注的數據作為支撐 21615．2．4 深度學習的最后階段竟然變成枯燥、機械、及其耗時的調參工作 21715．2．5 深度學習不適用于數據量較小的數據 21815．2．6 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 21815．2．7 研究人員從事深度學習研究的困境 21915．3 展望 220本章參考文獻 220