第1章 绪论 2
1.1 深度学习与机器学习 2
1.2 深度学习的发展历程 3
1.3 为什么是深度学习 6
1.4 什么是深度学习 7
1.5 本书结构 9
第2章 神经网络 12
2.1 神经网络的历史 12
2.2 M-P模型 14
2.3 感知器 16
2.4 多层感知器 18
2.5 误差反向传播算法 19
2.6 误差函数和激活函数 28
2.7 似然函数 30
2.8 随机梯度下降法 31
2.9 学习率 32
2.10 小结 33
第3章 卷积神经网络 36
3.1 卷积神经网络的结构 36
3.2 卷积层 38
3.3 池化层 39
3.4 全连接层 40
3.5 输出层 41
3.6 神经网络的训练方法 41
3.7 小结 48
第4章 受限玻尔兹曼机 50
4.1 Hopfield神经网络 50
4.2 玻尔兹曼机 55
4.3 受限玻尔兹曼机 59
4.4 对比散度算法 61
4.5 深度信念网络 64
4.6 小结 66
第5章 自编码器 68
5.1 自编码器 68
5.2 降噪自编码器 71
5.3 稀疏自编码器 73
5.4 栈式自编码器 76
5.5 在预训练中的应用 77
5.6 小结 78
第6章 提高泛化能力的方法 80
6.1 训练样本 80
6.2 预处理 88
6.3 激活函数 92
6.4 Dropout 94
6.5 DropConnect 96
6.6 小结 98
第7章 深度学习工具 100
7.1 深度学习开发环境 100
7.2 Theano 100
7.3 Pylearn2 108
7.4 Caffe 118
7.5 训练系统——DIGITS 137
7.6 Chainer 145
7.7 TensorFlow 160
7.8 小结 176
第8章 深度学习的现在和未来 178
8.1 深度学习的应用案例 178
8.2 深度学习的未来 195
8.3 小结 197
参考文献 198