前言
第1章 緒論
1.1 深度學習
1.1.1 概述
1.1.2 基本思想
1.1.3 基本分類
1.2 卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展與應(yīng)用
1.2.1 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展
1.2.2 卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用
1.3 自編碼器的發(fā)展及其應(yīng)用
1.3.1 自編碼器的發(fā)展
1.3.2 自編碼器的應(yīng)用
第2章 相關(guān)數(shù)學基礎(chǔ)知識
2.1 矩陣
2.1.1 基本概念
2.1.2 矩陣運算
2.2 范數(shù)
2.2.1 范數(shù)的定義
2.2.2 范數(shù)的分類及性質(zhì)
2.3 卷積運算
2.3.1 定義
2.3.2 多維數(shù)組的卷積
2.4 激活函數(shù)
2.4.1 線性激活函數(shù)
2.4.2 非線性激活函數(shù)
2.5 信息熵
2.5.1 定義
2.5.2 條件熵
2.5.3 相對熵
2.5.4 交叉熵
習題
第3章 神經(jīng)網(wǎng)絡(luò)
3.1 人工神經(jīng)網(wǎng)絡(luò)
3.1.1 人工神經(jīng)元模型
3.1.2 人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
3.2 BP神經(jīng)網(wǎng)絡(luò)
3.2.1 原理
3.2.2 網(wǎng)絡(luò)結(jié)構(gòu)
3.2.3 BP神經(jīng)算法原理
3.2.4 信號傳遞過程的實現(xiàn)
3.2.5 算法分析
習題
第4章 卷積神經(jīng)網(wǎng)絡(luò)
4.1 原理
4.1.1 動機
4.1.2 卷積神經(jīng)網(wǎng)絡(luò)特點
4.2 LeNet
4.2.1 網(wǎng)絡(luò)總體結(jié)構(gòu)
4.2.2 分層結(jié)構(gòu)
4.3 反向傳播