深度学习基础篇

　第1章　绪论

　　1.1　引言

　　1.1.1　Google 的深度学习成果

　　1.1.2　Microsoft 的深度学习成果

　　1.1.3　国内公司的深度学习成果

　　1.2　深度学习技术的发展历程

　　1.3　深度学习的应用领域

　　1.3.1　图像识别领域

　　1.3.2　语音识别领域

　　1.3.3　自然语言理解领域

　　1.4　如何开展深度学习的研究和应用开发

　　本章参考文献

　第2章　国内外深度学习技术研发现状及其产业化趋势

　　2.1　Google 在深度学习领域的研发现状

　　2.1.1　深度学习在Google 的应用

　　2.1.2　Google 的TensorFlow 深度学习平台

　　2.1.3　Google 的深度学习芯片TPU

　　2.2　Facebook 在深度学习领域的研发现状

　　2.2.1　Torchnet

　　2.2.2　DeepText

　　2.3　百度在深度学习领域的研发现状

　　2.3.1　光学字符识别

　　2.3.2　商品图像搜索

　　2.3.3　在线广告

　　2.3.4　以图搜图

　　2.3.5　语音识别

　　2.3.6　百度开源深度学习平台MXNet 及其改进的深度语音识别系统Warp-CTC

　　2.4　阿里巴巴在深度学习领域的研发现状

　　2.4.1　拍立淘

　　2.4.2　阿里小蜜――智能客服Messenger

　　2.5　京东在深度学习领域的研发现状

　　2.6　腾讯在深度学习领域的研发现状

　　2.7　科创型公司（基于深度学习的人脸识别系统）

　　2.8　深度学习的硬件支撑――NVIDIA GPU

　　本章参考文献

深度学习理论篇

　第3章　神经网络

　　3.1　神经元的概念

　　3.2　神经网络

　　3.2.1　后向传播算法

　　3.2.2　后向传播算法推导

　　3.3　神经网络算法示例

　　本章参考文献

　第4章　卷积神经网络

　　4.1　卷积神经网络特性

　　4.1.1　局部连接

　　4.1.2　权值共享

　　4.1.3　空间相关下采样

　　4.2　卷积神经网络操作

　　4.2.1　卷积操作

　　4.2.2　下采样操作

　　4.3　卷积神经网络示例：LeNet-5

　　本章参考文献

深度学习工具篇

　第5章　深度学习工具Caffe

　　5.1　Caffe 的安装

　　5.1.1　安装依赖包

　　5.1.2　CUDA 安装

　　5.1.3　MATLAB 和Python 安装

　　5.1.4　OpenCV 安装（可选）

　　5.1.5　Intel MKL 或者BLAS 安装

　　5.1.6　Caffe 编译和测试

　　5.1.7　Caffe 安装问题分析

　　5.2　Caffe 框架与源代码解析

　　5.2.1　数据层解析

　　5.2.2　网络层解析

　　5.2.3　网络结构解析

　　5.2.4　网络求解解析

　　本章参考文献

　第6章　深度学习工具Pylearn2

　　6.1　Pylearn2 的安装

　　6.1.1　相关依赖安装

　　6.1.2　安装Pyl

　　6.2　Pylearn2 的使用

　　本章参考文献

深度学习实践篇（入门与进阶）

　第7章　基于深度学习的手写数字识别

　　7.1　数据介绍

　　7.1.1　MNIST 数据集

　　7.1.2　提取MNIST 数据集图片

　　7.2　手写字体识别流程

　　7.2.1　模型介绍

　　7.2.2　操作流程

　　7.3　实验结果分析

　　本章参考文献

　第8章　基于深度学习的图像识别

　　8.1　数据来源

　　8.1.1　Cifar10 数据集介绍

　　8.1.2　Cifar10 数据集格式

　　8.2　Cifar10 识别流程

　　8.2.1　模型介绍

　　8.2.2　操作流程

　　8.3　实验结果分析

　　本章参考文献

　第9章　基于深度学习的物体图像识别

　　9.1　数据来源

　　9.1.1　Caltech101 数据集

　　9.1.2　Caltech101 数据集处理

　　9.2　物体图像识别流程

　　9.2.1　模型介绍

　　9.2.2　操作流程

　　9.3　实验结果分析

　　本章参考文献

　第10章　基于深度学习的人脸识别

　　10.1　数据来源

　　10.1.1　AT＆T Facedatabase 数据库

　　10.1.2　数据库处理

　　10.2　人脸识别流程

　　10.2.1　模型介绍

　　10.2.2　操作流程

　　10.3　实验结果分析

　　本章参考文献

深度学习实践篇（高级应用）

　第11章　基于深度学习的人脸识别――DeepID 算法

　　11.1　问题定义与数据来源

　　11.2　算法原理

　　11.2.1　数据预处理

　　11.2.2　模型训练策略

　　11.2.3　算法验证和结果评估

　　11.3　人脸识别步骤

　　11.3.1　数据预处理

　　11.3.2　深度网络结构模型

　　11.3.3　提取深度特征与人脸验证

　　11.4　实验结果分析

　　11.4.1　实验数据

　　11.4.2　实验结果分析

　　本章参考文献

　第12章　基于深度学习的表情识别

　　12.1　表情数据

　　12.1.1　Cohn-Kanade（CK+）数据库

　　12.1.2　JAFFE 数据库

　　12.2　算法原理

　　12.3　表情识别步骤

　　12.3.1　数据预处理

　　12.3.2　深度神经网络结构模型

　　12.3.3　提取深度特征及分类

　　12.4　实验结果分析

　　12.4.1　实现细节

　　12.4.2　实验结果对比

　　本章参考文献

　第13章　基于深度学习的年龄估计

　　13.1　问题定义

　　13.2　年龄估计算法

　　13.2.1　数据预处理

　　13.2.2　提取深度特征

　　13.2.3　提取LBP 特征

　　13.2.4　训练回归模型

　　13.3　实验结果分析

　　本章参考文献

　第14章　基于深度学习的人脸关键点检测

　　14.1　问题定义和数据来源

　　14.2　基于深度学习的人脸关键点检测的步骤

　　14.2.1　数据预处理

　　14.2.2　训练深度学习网络模型

　　14.2.3　预测和处理关键点坐标

　　本章参考文献

深度学习总结与展望篇

　第15章　总结与展望

　　15.1　深度学习领域当前的主流技术及其应用领域

　　15.1.1　图像识别

　　15.1.2　语音识别与自然语言理解

　　15.2　深度学习的缺陷

　　15.2.1　深度学习在硬件方面的门槛较高

　　15.2.2　深度学习在软件安装与配置方面的门槛较高

　　15.2.3　深度学习最重要的问题在于需要海量的有标注的数据作为支撑

　　15.2.4　深度学习的最后阶段竟然变成枯燥、机械、及其耗时的调参工作

　　15.2.5　深度学习不适用于数据量较小的数据

　　15.2.6　深度学习目前主要用于图像、声音的识别和自然语言的理解

　　15.2.7　研究人员从事深度学习研究的困境

　　15.3　展望

　　本章参考文献