标签
内容简介
本书是深度学习的入门教材，系统地介绍了深度学习的基本概念与实战应用，包括深度学习在图像、语音、文本方向的应用，以及前沿发展等。本书分为10章，大致为3个部分：第1部分（1-3章）介绍深度学习的基础知识。第2部分（4-6章）介绍深度学习的各个方面，从算法设计到模型实现。第3部分（8-10章）介绍深度学习的实战应用以及前沿发展。每章都附有相应的习题和参考文献，以便感兴趣的读者进一步深入思考。 "让学习变得轻松”是本书的基本编写理念。本书适合作为相关专业本科和研究生教材，也适合作为深度学习研究与开发人员的入门书籍。
编辑推荐
作为入门教材，这本书的取舍比较务实：先用三章交代深度学习的基础知识，再进入算法设计与模型实现，最后落到图像、语音、文本等方向的应用和前沿动向。每章附习题与参考文献，说明编写者希望读者不只停留在读懂，而是能动手验证、顺藤查证。它的价值在于把概念、实现与应用串成一条线，避免初学者只记住名词却不知道模型如何落地。对本科高年级学生和刚转入该方向的研究生来说，可作为一学期课程的骨架；对开发人员，则适合作为系统梳理知识地图的起点。需要提醒的是，深度学习领域更新快，读者应把书中内容当作方法与框架的训练，遇到具体工具和模型时结合更新的资料对照学习，而不是把某一实现当作唯一答案。
适合谁读
适合
- 相关专业本科生，需要一门结构清晰的深度学习课程教材
- 刚入学的研究生，想快速建立概念与应用的整体地图
- 有编程基础的开发人员，准备转入深度学习方向
- 授课教师，需要配有习题和参考文献的入门框架
不适合
- 完全没有编程和数学基础的读者，跟进实现会有困难
- 寻求前沿研究细节的资深研究者，本书定位是入门
- 只想直接调用现成工具、不愿理解模型原理的读者
阅读建议
- 按三部分顺序阅读，先打牢基础概念，再进入模型实现，最后看应用。
- 每章读完完成部分习题，用代码复现关键模型，检验理解是否到位。
- 读应用章节时结合参考文献延伸，了解书中方法的适用边界。
- 建立自己的笔记，把算法、模型与应用场景对应起来，方便日后查阅。
出版社简介
电子工业出版社
中国 · 成立于 1982 年
电子工业出版社是一家以电子信息及相关领域为出版特色的综合性出版社。从库内三千余种图书来看，其出版方向覆盖编程设计、人工智能、计算机综合、财经、摄影与社科等门类，既关注技术前沿，也兼顾大众阅读。代表图书包括《因子投资：方法与实践》《x86汇编语言：从实模式到保护模式》《RISC-V开放架构设计之道》《人工智能：语音识别理解与实践》《相控阵雷达技术》《雷达目标特性》及《100个Go语言典型错误》等，多围绕技术方法与工程实践展开。作者资源方面，有石川、李忠、王晓波、大卫·帕特森、安德鲁·沃特曼、余子濠等中外作者。受公开资料所限，暂不展开更多出版特色。
目录
- 版权信息
- 内容简介
- 编写组
- 总序
- 前言
- 第1章 深度学习的来源与应用
- 1.1 人工智能的思想、流派与发展起落
- 1.1.1 人工智能的思潮流派和主要研究与应用领域
- 1.1.2 人工智能的三起三落
- 1.2 什么是深度学习
- 1.2.1 我们不分离——数据和算法
- 1.2.2 深度学习基础
- 1.3 机器学习与深度学习
- 1.3.1 机器学习的定义与种类
- 1.3.2 机器学习的任务与方法
- 1.3.3 深度学习的提出
- 1.4 深度学习的应用场景
- 1.4.1 应用场合和概念层次
- 1.4.2 主要开发工具和框架
- 1.4.3 人工智能、深度学习有关学术会议和赛事
- 习题
- 参考文献
- 第2章 深度学习的数学基础
- 2.1 线性代数
- 2.1.1 向量空间
- 2.1.2 矩阵分析
- 2.2 概率与统计
- 2.2.1 概率与条件概率
- 2.2.2 贝叶斯理论
- 2.2.3 信息论基础
- 2.3 多元微积分
- 2.3.1 导数和偏导数
- 2.3.2 梯度和海森矩阵
- 2.3.3 最速下降法
- 2.3.4 随机梯度下降算法
- 习题
- 参考文献
- 第3章 人工神经网络与深度学习
- 3.1 探秘大脑的工作原理
- 3.1.1 人类活动抽象与深度学习模型
- 3.1.2 人脑神经元的结构
- 3.1.3 人脑神经元功能
- 3.1.4 人脑视觉机理
- 3.2 人脑神经元模型
- 3.2.1 人脑神经元模型介绍
- 3.2.2 激活函数
- 3.3 M-P模型
- 3.3.1 标准M-P模型
- 3.3.2 改进的M-P模型
- 3.4 人脑神经网络的互连结构
- 3.4.1 前馈神经网络
- 3.4.2 反馈网络
- 3.5 人工神经网络的学习
- 3.5.1 人工神经网络的学习方式
- 3.5.2 神经网络的学习规则
- 3.5.3 人工神经网络算法基本要求
- 3.5.4 神经网络计算特点
- 3.6 人工神经网络的特点
- 3.7 神经网络基本概念与功能
- 3.7.1 几个基本概念
- 3.7.2 基本功能
- 3.7.3 感知机的局限性
- 3.8 深度学习其他网络结构
- 3.8.1 深度学习的定义及特点
- 3.8.2 卷积神经网络
- 3.8.3 循环（递归）神经网络
- 习题
- 参考文献
- 第4章 深度学习基本过程
- 4.1 正向学习过程
- 4.1.1 正向学习概述
- 4.1.2 正向传播的流程
- 4.1.3 正向传播的详细原理
- 4.2 反向调整过程
- 4.2.1 反向调整概述
- 4.2.2 反向传播过程详解
- 4.2.3 深层模型反向调整的问题与对策
- 4.3 手写体数字识别实例
- 4.3.1 数据准备
- 4.3.2 网络设计
- 4.3.3 模型训练
- 4.3.4 模型测试
- 习题
- 参考文献
- 第5章 深度学习主流模型
- 5.1 卷积神经网络
- 5.1.1 CNN概念
- 5.1.2 CNN常用算法
- 5.1.3 CNN训练技巧
- 5.2 循环神经网络
- 5.2.1 RNN结构
- 5.2.2 RNN训练
- 5.2.3 RNN训练技巧
- 习题
- 参考文献
- 第6章 深度学习的主流开源框架
- 6.1 Caffe
- 6.1.1 Caffe框架
- 6.1.2 安装Caffe
- 6.1.3 案例：基于Caffe的目标识别
- 6.2 TensorFlow
- 6.2.1 TensorFlow框架
- 6.2.2 安装TensorFlow
- 6.2.3 案例：基于TensorFlow的目标识别
- 6.3 其他开源框架
- 6.3.1 CNTK
- 6.3.2 MXNet
- 6.3.3 Theano
- 6.3.4 Torch
- 6.3.5 Deeplearning4j
- 习题
- 参考文献
- 第7章 深度学习在图像中的应用
- 7.1 图像识别基础
- 7.2 基于深度学习的大规模图像识别
- 7.2.1 大规模图像数据库：ImageNet
- 7.2.2 AlexNet网络结构
- 7.2.3 非线性激活函数ReLU
- 7.2.4 在多GPU上进行实现
- 7.2.5 增加训练样本
- 7.2.6 Dropout技术
- 7.3 应用举例：人脸识别
- 7.3.1 人脸识别的经典流程
- 7.3.2 人脸图像数据库
- 7.3.3 基于深度学习的人脸识别方法
- 7.4 应用举例：图像风格化
- 7.4.1 内容重构
- 7.4.2 风格重构
- 7.4.3 内容与风格的重组
- 7.5 应用举例：图像标注
- 7.5.1 基于深度网络的图像标注方法概述
- 7.5.2 视觉语义对齐
- 7.5.3 为新图像生成对应文本描述
- 习题
- 参考文献
- 第8章 深度学习在语音中的应用
- 8.1 语音识别基础
- 8.1.1 人类之间的交流
- 8.1.2 人机交流
- 8.1.3 语音识别系统的基本结构
- 8.1.4 特征提取
- 8.1.5 声学模型
- 8.1.6 语言模型
- 8.1.7 解码器
- 8.1.8 用于语音识别的GMM-HMM模型
- 8.2 基于深度学习的连续语音识别
- 8.2.1 DNN-HMM混合系统
- 8.2.2 CD-DNN-HMM的关键模块及分析
- 8.3 应用举例：语音输入法
- 8.3.1 案例背景
- 8.3.2 语音输入法设计
- 8.3.3 语音中心SpeechCenter的设计
- 8.3.4 输入法FreeVoice的设计
- 8.3.5 FreeVoice和SpeechCenter之间的通信设计
- 习题
- 参考文献
- 第9章 深度学习在文本中的应用
- 9.1 自然语言处理基础
- 9.1.1 正则表达式和自动机
- 9.1.2 句法处理
- 9.1.3 词的分类和词性标注
- 9.1.4 上下文无关语法
- 9.1.5 浅层语法分析
- 9.1.6 语义分析
- 9.1.7 语义网络
- 9.1.8 词汇关系信息库
- 9.2 基于深度学习的文本处理
- 9.2.1 词汇向量化表示
- 9.2.2 句法分析
- 9.2.3 神经机器翻译
- 9.2.4 情感分析
- 9.3 应用举例：机器翻译
- 9.4 应用举例：聊天机器人
- 9.4.1 聊天机器人的主要功能模块
- 9.4.2 主要的技术挑战
- 9.4.3 深度学习构建智能聊天机器人
- 习题
- 参考文献
- 第10章 深度学习前沿发展
- 10.1 增强学习
- 10.1.1 增强学习的基本概念
- 10.1.2 增强学习的过程
- 10.1.3 增强学习的应用
- 10.2 迁移学习
- 10.2.1 迁移学习的定义
- 10.2.2 迁移学习的分类
- 10.2.3 迁移学习的应用场景
- 10.3 记忆网络
- 10.3.1 循环神经网络
- 10.3.2 长短期记忆网络
- 10.3.3 长短期记忆变体
- 10.4 深度学习的硬件实现
- 10.4.1 FPGA
- 10.4.2 ASIC
- 10.4.3 TPU
- 10.4.4 寒武纪
- 10.4.5 TrueNorth
- 习题
- 参考文献
- 附录A 人工智能和大数据实验环境
- 反侵权盗版声明
常见问题
读这本书需要什么基础？
需要一定的编程基础，以及线性代数、概率统计和微积分的基本知识。若这些基础薄弱，建议先补数学与Python编程，再进入本书，否则模型实现部分会难以跟进。
这本书内容会不会很快过时？
深度学习发展迅速，具体工具和模型会更新，但书中关于基础概念、算法设计和应用方向的框架仍有参考价值。建议把它当作知识地图，配合更新的资料阅读。
适合自学还是只适合课堂？
两者都可以。书中每章附习题和参考文献，结构适合课堂讲授；自学者可按三部分顺序推进，并用习题检验进度，遇到实现问题再查参考资料。
读者评论
查询本书
本站为索引目录：「全网查询」由您发起、在您的浏览器中运行，所列入口均指向第三方站点，请自行判断可用性。
作者简介
刘鹏
作者 · 中国 · 1970
刘鹏（1970年生），中国计算机科学家，清华大学计算机系统结构专业博士，曾任解放军理工大学教授、博士生导师，现任南京云创大数据科技股份有限公司董事长。他长期从事云计算、大数据与人工智能的研究与教学，库内收录其作品十四种，涵盖科学科普、人工智能、计算机综合、医学、文学鉴赏、农林牧业等分类。其写作横跨专业教材与大众通识，既有《云计算（典藏版）》《机器学习与深度学习》《模式识别》《人工智能数学基础》等计算机与人工智能著作，也有《黄帝内经通识》这类面向普通读者的传统医学读物，以及《水运工程装配式结构应用技术与实践》等工程实践类书籍。公开资料有限，其生平等细节以库内记录为准。
