第 1章　緒論 1.1　深度學(xué)習(xí)與機器學(xué)習(xí)　2 1.2　深度學(xué)習(xí)的發(fā)展歷程　3 1.3　為什么是深度學(xué)習(xí)　6 1.4　什么是深度學(xué)習(xí)　7 1.5　本書結(jié)構(gòu)　9 第　2章 神經(jīng)網(wǎng)絡(luò) 2.1　神經(jīng)網(wǎng)絡(luò)的歷史　12 2.2　M-P模型　14 2.3　感知器　16 2.4　多層感知器　18 2.5　誤差反向傳播算法　19 2.6　誤差函數(shù)和激活函數(shù)　28 2.7　似然函數(shù)　30 2.8　隨機梯度下降法　31 2.9　學(xué)習(xí)率　32 2.10　小結(jié)　33 第3章　卷積神經(jīng)網(wǎng)絡(luò) 3.1　卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)　36 3.2　卷積層　38 3.3　池化層　39 3.4　全連接層　40 3.5　輸出層　41 3.6　神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法　41 3.7　小結(jié)　48 第4章　受限玻爾茲曼機 4.1　Hopfield 神經(jīng)網(wǎng)絡(luò)　50 4.2　玻爾茲曼機　55 4.3　受限玻爾茲曼機　59 4.4　對比散度算法　61 4.5　深度信念網(wǎng)絡(luò)　64 4.6　小結(jié)　66 第5章　自編碼器 5.1　自編碼器　68 5.2　降噪自編碼器　71 5.3　稀疏自編碼器　73 5.4　棧式自編碼器　76 5.5　在預(yù)訓(xùn)練中的應(yīng)用　77 5.6　小結(jié)　78 第6章　提高泛化能力的方法 6.1　訓(xùn)練樣本　80 6.2　預(yù)處理　88 6.3　激活函數(shù)　92 6.4　Dropout　94 6.5　DropConnect　96 6.6　小結(jié)　98 第7章　深度學(xué)習(xí)工具 7.1　深度學(xué)習(xí)開發(fā)環(huán)境　100 7.2　Theano　100 7.3　Pylearn2　108 7.4　Caffe　118 7.5　訓(xùn)練系統(tǒng)——DIGITS137 7.6　Chainer　145 7.7　TensorFlow　160 7.8　小結(jié)　176 第8章　深度學(xué)習(xí)的現(xiàn)在和未來 8.1　深度學(xué)習(xí)的應(yīng)用案例178 8.2　深度學(xué)習(xí)的未來　195 8.3　小結(jié)　197 參考文獻(xiàn)　198