編輯推薦

本書全麵、係統地介紹深度學習相關的技術，所有章節均附有源程序，所有實驗讀者均可重現，具有高度的可操作性和實用性。

內容簡介

　　《深度學習：原理與應用實踐》全麵、係統地介紹深度學習相關的技術，包括人工神經網絡，捲積神經網絡，深度學習平颱及源代碼分析，深度學習入門與進階，深度學習高級實踐，所有章節均附有源程序，所有實驗讀者均可重現，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，係統掌握深度學習相關的理論和技術。

作者簡介

　　張重生，男，博士，教授，碩士生導師，河南大學大數據研究中心、大數據團隊帶頭人。研究領域為大數據分析、深度學習、數據挖掘、數據庫、數據流（實時數據分析）。博士畢業於 INRIA,France(法國國傢信息與自動化研究所)，獲得優秀博士論文榮譽。2010年08月至2011年3月，在美國加州大學洛杉磯分校(UCLA)，計算機係，師從著名的數據庫專傢Carlo Zaniolo教授，從事數據挖掘領域的閤作研究。 2012-2013,挪威科技大學，ERCIM/Marie-Curie Fellow。

目錄

深度學習基礎篇

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 國內公司的深度學習成果 3

1．2 深度學習技術的發展曆程 4

1．3 深度學習的應用領域 6

1．3．1 圖像識彆領域 6

1．3．2 語音識彆領域 6

1．3．3 自然語言理解領域 7

1．4 如何開展深度學習的研究和應用開發 7

本章參考文獻 11

第2 章 國內外深度學習技術研發現狀及其産業化趨勢 13

2．1 Google 在深度學習領域的研發現狀 13

2．1．1 深度學習在Google 的應用 13

2．1．2 Google 的TensorFlow 深度學習平颱 14

2．1．3 Google 的深度學習芯片TPU 15

2．2 Facebook 在深度學習領域的研發現狀 15

2．2．1 Torchnet 15

2．2．2 DeepText 16

2．3 百度在深度學習領域的研發現狀 17

2．3．1 光學字符識彆 17

2．3．2 商品圖像搜索 17

2．3．3 在綫廣告 18

2．3．4 以圖搜圖 18

2．3．5 語音識彆 18

2．3．6 百度開源深度學習平颱MXNet 及其改進的深度語音識彆係統Warp-CTC 19

2．4 阿裏巴巴在深度學習領域的研發現狀 19

2．4．1 拍立淘 19

2．4．2 阿裏小蜜――智能客服Messenger 20

2．5 京東在深度學習領域的研發現狀 20

2．6 騰訊在深度學習領域的研發現狀 21

2．7 科創型公司（基於深度學習的人臉識彆係統） 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 神經網絡 30

3．1 神經元的概念 30

3．2 神經網絡 31

3．2．1 後嚮傳播算法 32

3．2．2 後嚮傳播算法推導 33

3．3 神經網絡算法示例 36

本章參考文獻 38

第4 章 捲積神經網絡 39

4．1 捲積神經網絡特性 39

4．1．1 局部連接 40

4．1．2 權值共享 41

4．1．3 空間相關下采樣 42

4．2 捲積神經網絡操作 42

4．2．1 捲積操作 42

4．2．2 下采樣操作 44

4．3 捲積神經網絡示例：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 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 數據層解析 63

5．2．2 網絡層解析 74

5．2．3 網絡結構解析 92

5．2．4 網絡求解解析 104

本章參考文獻 109

第6 章 深度學習工具Pylearn2 110

6．1 Pylearn2 的安裝 110

6．1．1 相關依賴安裝 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 基於深度學習的手寫數字識彆 118

7．1 數據介紹 118

7．1．1 MNIST 數據集 118

7．1．2 提取MNIST 數據集圖片 120

7．2 手寫字體識彆流程 121

7．2．1 模型介紹 121

7．2．2 操作流程 126

7．3 實驗結果分析 127

本章參考文獻 128

第8 章 基於深度學習的圖像識彆 129

8．1 數據來源 129

8．1．1 Cifar10 數據集介紹 129

8．1．2 Cifar10 數據集格式 129

8．2 Cifar10 識彆流程 130

8．2．1 模型介紹 130

8．2．2 操作流程 136

8．3 實驗結果分析 139

本章參考文獻 140

第9 章 基於深度學習的物體圖像識彆 141

9．1 數據來源 141

9．1．1 Caltech101 數據集 141

9．1．2 Caltech101 數據集處理 142

9．2 物體圖像識彆流程 143

9．2．1 模型介紹 143

9．2．2 操作流程 144

9．3 實驗結果分析 150

本章參考文獻 151

第10 章 基於深度學習的人臉識彆 152

10．1 數據來源 152

10．1．1 AT＆T Facedatabase 數據庫 152

10．1．2 數據庫處理 152

10．2 人臉識彆流程 154

10．2．1 模型介紹 154

10．2．2 操作流程 155

10．3 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 基於深度學習的人臉識彆――DeepID 算法 162

11．1 問題定義與數據來源 162

11．2 算法原理 163

11．2．1 數據預處理 163

11．2．2 模型訓練策略 164

11．2．3 算法驗證和結果評估 164

11．3 人臉識彆步驟 165

11．3．1 數據預處理 165

11．3．2 深度網絡結構模型 168

11．3．3 提取深度特徵與人臉驗證 171

11．4 實驗結果分析 174

11．4．1 實驗數據 174

11．4．2 實驗結果分析 175

本章參考文獻 176

第12 章 基於深度學習的錶情識彆 177

12．1 錶情數據 177

12．1．1 Cohn-Kanade（CK+）數據庫 177

12．1．2 JAFFE 數據庫 178

12．2 算法原理 179

12．3 錶情識彆步驟 180

12．3．1 數據預處理 180

12．3．2 深度神經網絡結構模型 181

12．3．3 提取深度特徵及分類 182

12．4 實驗結果分析 184

12．4．1 實現細節 184

12．4．2 實驗結果對比 185

本章參考文獻 188

第13 章 基於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 數據預處理 190

13．2．2 提取深度特徵 192

13．2．3 提取LBP 特徵 196

13．2．4 訓練迴歸模型 196

13．3 實驗結果分析 199

本章參考文獻 199

第14 章 基於深度學習的人臉關鍵點檢測 200

14．1 問題定義和數據來源 200

14．2 基於深度學習的人臉關鍵點檢測的步驟 201

14．2．1 數據預處理 201

14．2．2 訓練深度學習網絡模型 206

14．2．3 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 214

15．1 深度學習領域當前的主流技術及其應用領域 214

15．1．1 圖像識彆 214

15．1．2 語音識彆與自然語言理解 215

15．2 深度學習的缺陷 215

15．2．1 深度學習在硬件方麵的門檻較高 215

15．2．2 深度學習在軟件安裝與配置方麵的門檻較高 216

15．2．3 深度學習最重要的問題在於需要海量的有標注的數據作為支撐 216

15．2．4 深度學習的最後階段竟然變成枯燥、機械、及其耗時的調參工作 217

15．2．5 深度學習不適用於數據量較小的數據 218

15．2．6 深度學習目前主要用於圖像、聲音的識彆和自然語言的理解 218

15．2．7 研究人員從事深度學習研究的睏境 219

15．3 展望 220

本章參考文獻 220

前言/序言

如今，深度學習是國際上非常活躍、非常多産的研究領域，它被廣泛應用於計算機視覺、圖像分析、語音識彆和自然語言處理等諸多領域。在多個領域上，深度神經網絡已大幅超越瞭已有算法的性能。

本書是深度學習領域的一本力作。它對深度神經網絡尤其是捲積神經網絡進行介紹，且注重深度學習的實際應用。而且，本書還對深度學習研發現狀進行總結和闡述，包括Google 和Facebook。本書通過示例的方式詳解深度學習的具體應用，包括手寫數字識彆，物體識彆，及以人為中心的計算（包括人臉識彆、人臉錶情識彆、年齡估計、人臉關鍵點定位等）。本書也介紹瞭深度學習Caffe 和Pylearn2 兩個平颱，並給齣具體示例，介紹如何使用。

本書的所有實驗均可重現，對初學者、研究生和工程師有重要參考價值，能夠幫助讀者掌握深度學習的實戰技能。我在訪問河南大學期間與本書作者相識。作者和他的學生為本書的齣版投入瞭1 年多的時間，付齣瞭巨大的心血。我相信，本書將會被中國科技界所認可。

Ioannis Pitas

IEEE Fellow

亞裏士多德

好好學習天天嚮上

包裝完好，實用。

正品，快捷

很好，很滿意，送貨非常快

內容不錯，適閤於初學者！！！

還好

還可以吧還不錯還不錯！

不知在哪裏看到一句話：“當下做圖像處理的研究人員不瞭解、不使用深度學習，絕對不敢拿自己的結果跟彆人的比較。”說得真好，做圖像處理的我深感其受。一直對深度學習感興趣的我終於入手一本，這本書很棒，淺顯易懂，作者文筆太棒啦，學高端大氣上檔次的技能毫不費勁，就喜歡這樣子~做圖像處理和感興趣的小夥伴們值得擁有~

很贊的書，認真學習中!