前言
第一部分 基礎理論
目 錄
第1章概述 2
1.1深度學習的起源和發展 2
1.2深層網絡的特點和優勢 4
1.3深度學習的模型和算法 7
第2章預備知識 9
2.1矩陣運算 9
2.2概率論的基本概念 11
2.2.1概率的定義和性質 l1
2.2.2 隨機變量和概率密度
函數 l2
2.2.3期望和方差． 13
2.3信息論的基本概念． 14
2.4概率圖模型的基本概念 15
2.5概率有嚮圖模型 16
2.6概率無嚮圖模型 20
2.7部分有嚮無圈圖模型 22
2.8條件隨機場 24
2.9馬爾可夫鏈 26
2.10概率圖模型的學習 28
2.11概率圖模型的推理 29
2.12馬爾可夫鏈濛特卡羅方法 31
2.13玻耳茲曼機的學習 32
2.14通用反嚮傳播算法 35
2.15通用逼近定理 37
第3章受限玻耳茲曼機 38
3.1 受限玻耳茲曼機的標準
模型 38
3.2受限玻耳茲曼機的學習算法 40
3.3 受限玻耳茲曼機的變種模型 44
第4章 自編碼器 48
4.1 自編碼器的標準模型 48
4.2 自編碼器的學習算法 50
4.3 自編碼器的變種模型 53
第5章深層信念網絡 57
5.1 深層信念網絡的標準模型 57
5.2深層信念網絡的生成學習
算法 60
5.3深層信念網絡的判彆學習算法 62
5.4深層信念網絡的變種模型 63
第6章深層玻耳茲曼機 64
6.1 深層玻耳茲曼機的標準模型 64
6.2深層玻耳茲曼機的生成學習
算法 65
6.3 深層玻耳茲曼機的判彆學習
算法 69
6.4深層玻耳茲曼機的變種模型 69
第7章和積網絡 72
7.1 和積網絡的標準模型 72
7.2和積網絡的學習算法 74
7.3和積網絡的變種模型 77
第8章捲積神經網絡 78
8.1捲積神經網絡的標準模型 78
8.2捲積神經網絡的學習算法 81
8.3捲積神經網絡的變種模型 83
第9章深層堆疊網絡 一86
9.1 深層堆疊網絡的標準模型 86
9.2深層堆疊網絡的學習算法 87
9.3深層堆疊網絡的變種模型 88
第1 0章循環神經網絡 89
10.1循環神經網絡的標準模型 89
10.2循環神經網絡的學習算法 91
10.3循環神經網絡的變種模型 92
第1 1章長短時記憶網絡 94
11.1長短時記憶網絡的標準模型 94
11.2長短時記憶網絡的學習算法 96
11.3長短時記憶網絡的變種模型 98
第12章深度學習的混閤模型、
廣泛應用和開發工具 102
12.1深度學習的}昆閤模型 102
12.2深度學習的廣泛應用 104
12.2.1 圖像和視頻處理 104
12.2.2語音和音頻處理 106
12.2.3 自然語言處理 108
12.2.4其他應用 109
12.3深度學習的開發工具 110
第1 3章深度學習的總結、
批評和展望 114
第二部分案例分析
第14章實驗背景 一118
14.1運行環境 118
14.2實驗數據 118
14.3代碼工具 120
第1 5章 自編碼器降維案例 一121
15.1 自編碼器降維程序的模塊
簡介 121
15.2 自編碼器降維程序的運行
過程 122
15.3 自編碼器降維程序的代碼
分析 127
15.3.1 關鍵模塊或函數的主要
功能 127
15.3.2主要代碼分析及注釋 128
15.4 自編碼器降維程序的使用
技巧 138
第1 6章深層感知器識彆案例 139
16.1 深層感知器識彆程序的模塊
簡介 139
16.2深層感知器識彆程序的運行
過程 140
16.3深層感知器識彆程序的代碼
分析 143
16.3.1 關鍵模塊或函數的主要
功能 143
16.3.2主要代碼分析及注釋 l43
16.4深層感知器識彆程序的使用
技巧 148
第1 7章深層信念網絡生成
案例 149
17.1 深層信念網絡生成程序的模塊
簡介 149
17.2深層信念網絡生成程序的運行
過程 150
17.3深層信念網絡生成程序的代碼
分析 153
第18章深層信念網絡分類案例163
第19章深層玻耳茲曼機識彆案例202
第20章捲積神經網絡識彆案例221
第21章循環神經網絡填充案例236
第22章長短時憶網絡分類案例245
附錄263
參考文獻269
· · · · · · (收起)