深度学习、优化与识别

✍ Scribed by 焦李成

• Publisher: 清华大学出版社
• Year: 2017
• Tongue: Chinese
• Leaves: 411
• Category: Library

✦ Synopsis

《深度学习、优化与识别》的特色

深度学习是计算机科学与人工智能的重要组成部分。全书16章，分为理论与实践应用两部分，同时介绍5种深度学习主流平台的特性与应用，最后给出了深度学习的前沿进展介绍，另附带47种相关网络模型的实现代码。本书具有以下的特点：

一、内容系统全面

全书16章，覆盖了深度学习当前出现的诸多经典框架或模型，分为两个部分。第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法，如卷积神经网络、深度生成模型等；第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用，如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新研究进展，提供可基于5种平台实现的47中深度网络代码，以便有兴趣的读者进一步钻研探索。

二、叙述立场客观

作为深度学习的入门教材，尽可能不带偏见地对材料进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍，并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析，并给出深度学习应用实践的经验总结。

三、设计装帧精美

该书设计人性化，文字、公式、数学符号混排格式美观精致，特别是，全书采用全彩印制，软精装装帧。封面设计清新却不脱俗、学术化，足可以看出出版社和作者的用心。

内容简介

书籍

计算机书籍

深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；第一部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及最新进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。

本书可为高等院校计算机科学、电子科学与技术、信息科学、控制科学与工程、人工智能等领域的研究人员提供参考，以及作为相关专业本科生及研究生教学参考书，同时可供深度学习及其应用感兴趣的研究人员和工程技术人员参考。

✦ Table of Contents

封面
扉页
内容简介
版权页
序
目录
第1章　深度学习基础
1.1　数学基础
1.2　稀疏表示
1.3　机器学习与神经网络
参考文献
第2章　深度前馈神经网络
2.1　神经元的生物机理
2.2　多隐层前馈神经网络
2.3　反向传播算法
2.4　深度前馈神经网络的学习范式
参考文献
第3章　深度卷积神经网络
3.1　卷积神经网络的生物机理及数学刻画
3.2　深度卷积神经网络
3.3　深度反卷积神经网络
3.4　全卷积神经网络
参考文献
第4章　深度堆栈自编码网络
4.1　自编码网络
4.2　深度堆栈网络
4.3　深度置信网络/深度玻尔兹曼机网络
参考文献
第5章　稀疏深度神经网络
5.1　稀疏性的生物机理
5.2　稀疏深度网络模型及基本性质
5.3　网络模型的性能分析
参考文献
第6章　深度融合网络
6.1　深度SVM网络
6.2　深度PCA网络
6.3　深度ADMM网络
6.4　深度极限学习机
6.5　深度多尺度几何网络
6.6　深度森林
参考文献
第7章　深度生成网络
7.1　生成式对抗网络的基本原理
7.2　深度卷积对抗生成网络
7.3　深度生成网络模型的新范式
7.4　应用驱动下的两种新生成式对抗网络
7.5　变分自编码器
参考文献
第8章　深度复卷积神经网络与深度二值神经网络
8.1　深度复卷积神经网络
8.2　深度二值神经网络
参考文献
第9章　深度循环和递归神经网络
9.1　深度循环神经网络
9.2　深度递归神经网络
9.3　长短时记忆神经网络
9.4　典型应用
参考文献
第10章　深度强化学习
10.1　深度强化学习简介
10.2　深度Q网络
10.3　应用举例——AlphaGo
参考文献
第11章　深度学习软件仿真平台及开发环境
11.1　Caffe平台
11.2　TensorFlow平台
11.3　MXNet平台
11.4　Torch7平台
11.5　Theano平台
参考文献
第12章　基于深度神经网络的SAR/PolSAR影像地物分类
12.1　数据集及研究目的
12.2　基于深度神经网络的SAR影像地物分类
12.3　基于第一代深度神经网络的PolSAR影像地物分类
12.4　基于第二代深度神经网络的PolSAR影像地物分类
参考文献
第13章　基于深度神经网络的SAR影像的变化检测
13.1　数据集特点及研究目的
13.2　基于深度学习和SIFT特征的SAR图像变化检测
13.3　基于SAE的SAR图像变化检测
13.4　基于CNN的SAR图像变化检测
参考文献
第14章　基于深度神经网络的高光谱图像分类与压缩
14.1　数据集及研究目的
14.2　基于深度神经网络的高光谱影像的分类
14.3　基于深度神经网络的高光谱影像的压缩
参考文献
第15章　基于深度神经网络的目标检测与识别
15.1　数据特性及研究目的
15.2　基于快速CNN的目标检测与识别
15.3　基于回归学习的目标检测与识别
15.4　基于学习搜索的目标检测与识别
参考文献
第16章　总结与展望
16.1　深度学习发展历史图
16.2　深度学习的应用介绍
16.3　深度神经网络的可塑性
16.4　基于脑启发式的深度学习前沿方向
参考文献
正文结束
附录A　基于深度学习的常见任务处理介绍
附录B　代码介绍