前言及时部分 基础理论目 录第1章概述 21.1深度学习的起源和发展 21.2深层网络的特点和优势 41.3深度学习的模型和算法 7第2章预备知识 92.1矩阵运算 92.2概率论的基本概念 112.2.1概率的定义和性质 l12.2.2 随机变量和概率密度函数 l22.2.3期望和方差. 132.3信息论的基本概念. 142.4概率图模型的基本概念 152.5概率有向图模型 162.6概率无向图模型 202.7部分有向无圈图模型 222.8条件随机场 242.9马尔可夫链 262.10概率图模型的学习 282.11概率图模型的推理 292.12马尔可夫链蒙特卡罗方法 312.13玻耳兹曼机的学习 322.14通用反向传播算法 352.15通用逼近定理 37第3章受限玻耳兹曼机 383.1 受限玻耳兹曼机的标准模型 383.2受限玻耳兹曼机的学习算法 403.3 受限玻耳兹曼机的变种模型 44第4章 自编码器 484.1 自编码器的标准模型 484.2 自编码器的学习算法 504.3 自编码器的变种模型 53第5章深层信念网络 575.1 深层信念网络的标准模型 575.2深层信念网络的生成学习算法 605.3深层信念网络的判别学习算法 625.4深层信念网络的变种模型 63第6章深层玻耳兹曼机 646.1 深层玻耳兹曼机的标准模型 646.2深层玻耳兹曼机的生成学习算法 656.3 深层玻耳兹曼机的判别学习算法 696.4深层玻耳兹曼机的变种模型 69第7章和积网络 727.1 和积网络的标准模型 727.2和积网络的学习算法 747.3和积网络的变种模型 77第8章卷积神经网络 788.1卷积神经网络的标准模型 788.2卷积神经网络的学习算法 818.3卷积神经网络的变种模型 83第9章深层堆叠网络 一869.1 深层堆叠网络的标准模型 869.2深层堆叠网络的学习算法 879.3深层堆叠网络的变种模型 88第1 0章循环神经网络 8910.1循环神经网络的标准模型 8910.2循环神经网络的学习算法 9110.3循环神经网络的变种模型 92第1 1章长短时记忆网络 9411.1长短时记忆网络的标准模型 9411.2长短时记忆网络的学习算法 9611.3长短时记忆网络的变种模型 98第12章深度学习的混合模型、广泛应用和开发工具 10212.1深度学习的}昆合模型 10212.2深度学习的广泛应用 10412.2.1 图像和视频处理 10412.2.2语音和音频处理 10612.2.3 自然语言处理 10812.2.4其他应用 10912.3深度学习的开发工具 110第1 3章深度学习的总结、批评和展望 114第二部分案例分析第14章实验背景 一11814.1运行环境 11814.2实验数据 11814.3代码工具 120第1 5章 自编码器降维案例 一12115.1 自编码器降维程序的模块简介 12115.2 自编码器降维程序的运行过程 12215.3 自编码器降维程序的代码分析 12715.3.1 关键模块或函数的主要功能 12715.3.2主要代码分析及注释 12815.4 自编码器降维程序的使用技巧 138第1 6章深层感知器识别案例 13916.1 深层感知器识别程序的模块简介 13916.2深层感知器识别程序的运行过程 14016.3深层感知器识别程序的代码分析 14316.3.1 关键模块或函数的主要功能 14316.3.2主要代码分析及注释 l4316.4深层感知器识别程序的使用技巧 148第1 7章深层信念网络生成案例 14917.1 深层信念网络生成程序的模块简介 14917.2深层信念网络生成程序的运行过程 15017.3深层信念网络生成程序的代码分析 153第18章深层信念网络分类案例163第19章深层玻耳兹曼机识别案例202第20章卷积神经网络识别案例221第21章循环神经网络填充案例236第22章长短时忆网络分类案例245附录263参考文献269