深度学习2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

深度学习PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 深度学习的来源与应用1

1.1人工智能的思想、流派与发展起落1

1.1.1人工智能的思潮流派和主要研究与应用领域2

1.1.2人工智能的三起三落4

1.2什么是深度学习6

1.2.1我们不分离——数据和算法6

1.2.2深度学习基础9

1.3机器学习与深度学习10

1.3.1机器学习的定义与种类10

1.3.2机器学习的任务与方法13

1.3.3深度学习的提出16

1.4深度学习的应用场景18

1.4.1应用场合和概念层次18

1.4.2主要开发工具和框架20

1.4.3人工智能、深度学习有关学术会议和赛事22

习题24

参考文献24

第2章 深度学习的数学基础26

2.1线性代数26

2.1.1向量空间26

2.1.2矩阵分析28

2.2概率与统计30

2.2.1概率与条件概率30

2.2.2贝叶斯理论33

2.2.3信息论基础35

2.3多元微积分39

2.3.1导数和偏导数39

2.3.2梯度和海森矩阵42

2.3.3最速下降法44

2.3.4随机梯度下降算法45

习题48

参考文献50

第3章 人工神经网络与深度学习51

3.1探秘大脑的工作原理52

3.1.1人类活动抽象与深度学习模型53

3.1.2人脑神经元的结构54

3.1.3人脑神经元功能55

3.1.4人脑视觉机理57

3.2人脑神经元模型59

3.2.1人脑神经元模型介绍60

3.2.2激活函数62

3.3 M-P模型64

3.3.1标准M-P模型65

3.3.2改进的M-P模型66

3.4人脑神经网络的互连结构66

3.4.1前馈神经网络67

3.4.2反馈网络67

3.5人工神经网络的学习68

3.5.1人工神经网络的学习方式68

3.5.2神经网络的学习规则71

3.5.3人工神经网络算法基本要求73

3.5.4神经网络计算特点74

3.6人工神经网络的特点75

3.7神经网络基本概念与功能76

3.7.1几个基本概念76

3.7.2基本功能79

3.7.3感知机的局限性83

3.8深度学习其他网络结构84

3.8.1深度学习的定义及特点84

3.8.2卷积神经网络88

3.8.3循环（递归）神经网络95

习题98

参考文献98

第4章 深度学习基本过程100

4.1正向学习过程100

4.1.1正向学习概述100

4.1.2正向传播的流程101

4.1.3正向传播的详细原理101

4.2反向调整过程103

4.2.1反向调整概述103

4.2.2反向传播过程详解104

4.2.3深层模型反向调整的问题与对策107

4.3手写体数字识别实例108

4.3.1数据准备108

4.3.2网络设计110

4.3.3模型训练115

4.3.4模型测试116

习题121

参考文献121

第5章 深度学习主流模型122

5.1卷积神经网络123

5.1.1 CNN概念123

5.1.2 CNN常用算法127

5.1.3 CNN训练技巧131

5.2循环神经网络132

5.2.1 RNN结构132

5.2.2 RNN训练133

5.2.3 RNN训练技巧135

习题136

参考文献136

第6章 深度学习的主流开源框架138

6.1Caffe138

6.1.1 Caffe框架138

6.1.2安装Caffe139

6.1.3案例：基于Caffe的目标识别145

6.2 TensorFlow146

6.2.1 TensorFlow框架146

6.2.2安装TensorFlow147

6.2.3案例：基于TensorFlow的目标识别149

6.3其他开源框架150

6.3.1CNTK150

6.3.2 MXNet151

6.3.3 Theano151

6.3.4 Torch151

6.3.5 Deeplearning4j152

习题153

参考文献153

第7章 深度学习在图像中的应用154

7.1图像识别基础154

7.2基于深度学习的大规模图像识别155

7.2.1大规模图像数据库：ImageNet155

7.2.2 AlexNet网络结构156

7.2.3非线性激活函数ReLU157

7.2.4在多GPU上进行实现158

7.2.5增加训练样本158

7.2.6 Dropout技术159

7.3应用举例：人脸识别160

7.3.1人脸识别的经典流程160

7.3.2人脸图像数据库161

7.3.3基于深度学习的人脸识别方法162

7.4应用举例：图像风格化163

7.4.1内容重构164

7.4.2风格重构165

7.4.3内容与风格的重组166

7.5应用举例：图像标注167

7.5.1基于深度网络的图像标注方法概述168

7.5.2视觉语义对齐169

7.5.3为新图像生成对应文本描述171

习题172

参考文献172

第8章 深度学习在语音中的应用174

8.1语音识别基础174

8.1.1人类之间的交流175

8.1.2人机交流175

8.1.3语音识别系统的基本结构176

8.1.4特征提取176

8.1.5声学模型177

8.1.6语言模型177

8.1.7解码器178

8.1.8用于语音识别的GMM-HMM模型178

8.2基于深度学习的连续语音识别181

8.2.1 DNN-HMM混合系统181

8.2.2 CD-DNN-HMM的关键模块及分析185

8.3应用举例：语音输入法190

8.3.1案例背景190

8.3.2语音输入法设计191

8.3.3语音中心SpeechCenter的设计192

8.3.4输入法FreeVoice的设计194

8.3.5 FreeVoice和SpeechCenter之间的通信设计196

习题198

参考文献198

第9章 深度学习在文本中的应用201

9.1自然语言处理基础201

9.1.1正则表达式和自动机202

9.1.2句法处理203

9.1.3词的分类和词性标注203

9.1.4上下文无关语法205

9.1.5浅层语法分析205

9.1.6语义分析206

9.1.7语义网络206

9.1.8词汇关系信息库206

9.2基于深度学习的文本处理207

9.2.1词汇向量化表示207

9.2.2句法分析209

9.2.3神经机器翻译209

9.2.4情感分析210

9.3应用举例：机器翻译211

9.4应用举例：聊天机器人215

9.4.1聊天机器人的主要功能模块216

9.4.2主要的技术挑战217

9.4.3深度学习构建智能聊天机器人218

习题220

参考文献220

第10章 深度学习前沿发展222

10.1增强学习222

10.1.1增强学习的基本概念222

10.1.2增强学习的过程224

10.1.3增强学习的应用225

10.2迁移学习225

10.2.1迁移学习的定义226

10.2.2迁移学习的分类226

10.2.3迁移学习的应用场景226

10.3记忆网络228

10.3.1循环神经网络228

10.3.2长短期记忆网络228

10.3.3长短期记忆变体231

10.4深度学习的硬件实现232

10.4.1 FPGA232

10.4.2 ASIC233

10.4.3 TPU234

10.4.4寒武纪235

10.4.5 TrueNorth237

习题238

参考文献238

附录A人工智能和大数据实验环境240