《深度学习》内容简介

本书较为全面地介绍了深度学习的基本概念、算法原理以及实现框架。全书共9章，分别介绍了深度学习的发展历史、神经网络与深度神经网络、卷积神经网络、循环神经网络、深度学习在目标检测和图像描述中的应用、生成对抗网络、深度迁移学习和深度强化学习等，并提供了应用实例，旨在通过练习和操作实践帮助读者巩固所学的内容。本书可作为高等院校人工智能、计算机、自动化、电子等相关专业的深度学习教材，也可供人工智能、图像处理、计算机等专业研究人员和广大人工智能及深度学习技术的爱好者自学使用，还可作为人工智能技术培训的教材。
徐立芳，哈尔滨工程大学“模式识别与智能系统”工学博士，长期从事智能控制、工业自动化技术方面的教学，主要研究领域涉及智能系统、机器人、本体、进化计算、神经网络、电机控制等。哈尔滨工程大学工程训练中心（国家级实验教学示范中心）电器技术实验室负责人。莫宏伟，哈尔滨工程大学工学博士、教授，类脑计算与人工智能研究中心主任，全国高校人工智能与大数据创新联盟常务理事，黑龙江省高等教育学会人工智能教育专业委员会理事长。长期从事人工智能导论、原理与方法的课程教学工作，主要研究领域涉及类脑计算、自然计算、智能机器人、视觉智能与认知智能等。完成国家自然科学基金、国防科学技术预先研究基金等项目20余项，发表论文80余篇，出版专著6部、教材2部，授权发明专利8项。

作品目录

内容提要
编委会
序一
拥抱万亿智能互联未来
序二
前言
01、绪论
1.1、机器学习与深度学习
1.2、机器学习方法类型
1.3、机器学习常见算法
1.4、深度学习的前世今生
1.5、深度学习的应用
1.6、深度学习开源工具简介
1.7、本书主要学习内容
1.8、本章小结
1.9、习题
02、神经网络与深度神经网络
2.1、神经元与感知器
2.2、反向传播算法
2.3、神经网络的连接
2.4、深度神经网络与深度学习
2.5、常用的函数模型
2.6、本章小结
2.7、习题
03、卷神经网络积
3.1、大脑视觉皮层的信息分层处理机制
3.2、感受野与权值共享
3.3、卷积神经网络的层级结构和组成
3.4、卷积神经网络算法
3.5、网络的卷积层设计
3.6、CNN的经典网络结构
3.7、CNN用于人脸表情分类
3.8、本章小结
3.9、习题
04、循神经环网络
4.1、循环神经网络
4.2、长短期记忆网络
4.3、循环神经网络设计
4.4、循环神经网络的应用
4.5、基于RNN的语言模型
4.6、本章小结
4.7、习题
05、目测标检
5.1、基于候选区域的目标检测算法
5.2、基于回归预测的目标检测算法
5.3、目标检测算法发展趋势
5.4、人体行为检测
5.5、本章小结
5.6、习题
06、图描像述
6.1、图像描述方法
6.2、编码-解码图像描述
6.3、注意力机制图像描述方法
6.4、图像描述示例
6.5、图像描述应用前景
6.6、本章小结
6.7、习题
07、生抗成对网络
7.1、生成式模型
7.2、生成对抗网络基本原理
7.3、生成式对抗网络的设计
7.4、GAN的应用
7.5、基于DCGAN的手写数字生成实例
7.6、本章小结
7.7、习题
08、深度移习迁学
8.1、迁移学习
8.2、深度网络的可迁移性
8.3、深度网络的适配
8.4、迁移学习的应用
8.5、VGG迁移——识别花朵类型
8.6、本章小结
8.7、习题
09、深度化习学强
9.1、强化学习
9.2、深度强化学习的突破与问题
9.3、DRL算法——深度Q网络
9.4、深度Q网络的变体
9.5、深度强化学习的应用
9.6、本章小结
9.7、习题
附录1、CNN用于人脸表情分类
附录2、基于DCGAN的手写数字生成实例
附录3、VGG迁移——识别花朵类型
附录4、深度学习资源
参考文献