市面上深度学习的相关书籍很多，大多以深度学习的框架和使用为主，应用场景也多为计算机视觉、图像处理、自然语言处理等方向。本书则面向智能制造领域，面向对深度学习的基本理论和概念缺少深入了解的工程技术人员，以方便他们能更加快速地使用深度学习实现在工程上的科学应用。基于此，本书首先介绍了机器学习/深度学习的基本概念，从人工智能和机器学习的背景和基础理论讲起。然后介绍了当前常用的3种深度学习框架和案例，辅助读者能更快地实现自己的深度学习模型。最后，以3个典型案例介绍了深度学习在智能制造领域的常见应用。
本书的内容由浅入深，理论与实际相结合，其内容共分为6章。第1章介绍了人工智能、机器学习、深度学习的相关背景、发展历程及其关系；第2章介绍了深度学习的基础概念和相关组成要素；第3章介绍了TensorFlow、Keras和PyTorch 3种常用的深度学习框架；第4章采用TensorFlow实现自编码器模型，并在轴承故障诊断上得到应用；第5章采用PyTorch实现了卷积神经网络模型，并在产品表面缺陷上得到了应用；第6章采用Keras实现了循环神经网络，并在锂电池的健康程度评估上得到了应用。本书涉及的部分源代码可通过右侧二维码扫描下载。

文龙，中国地质大学（武汉）机械与电子信息学院特任教授、博士生导师。长期从事智能制造、智能诊断方面的研究，以第一／通讯作者发表SCI论文19篇，入选ESI热点论文3篇。

第1章 绪论
1.1 人工智能
1.1.1 人工智能的研究范畴
1.1.2 人工智能的三大学派
1.2 机器学习
1.2.1 机器学习的基本概念
1.2.2 无监督学习、监督学习与强化学习
1.2.3 浅层机器学习
1.3 深度学习
1.3.1 深度学习的发展历程
1.3.2 深度学习的应用
1.4 习题
第2章 深度学习基础
2.1 回归和分类
2.1.1 回归模型
2.1.2 分类模型
2.2 人工神经网络
2.2.1 M-P神经元模型
2.2.2 多层感知机
2.3 激活函数
2.4 损失函数
2.5 批量
2.6 正则化
2.7 模型评估与验证
2.8 习题
第3章 常用深度学习框架
3.1 TensorFlow
3.2 Keras
3.3 PyTorch
3.4 习题
第4章 自编码器及其应用示例
4.1 自编码器
4.1.1 自编码器的结构
4.1.2 自编码器的训练方法
4.1.3 自编码器的TensorFlow实现
4.2 自编码器的变体
4.2.1 稀疏自编码器
4.2.2 去噪自编码器
4.2.3 收缩自编码器
4.3 基于栈式自编码器的故障预测方法
4.3.1 栈式自编码器
4.3.2 轴承故障诊断应用案例
4.4 习题
第5章 卷积神经网络及其应用示例
5.1 卷积神经网络
5.1.1 卷积运算
5.1.2 卷积层
5.1.3 池化层
5.1.4 其他卷积方式
5.2 经典卷积神经网络模型
5.2.1 LeNet-5网络
5.2.2 VGG网络
5.2.3 Inception V3网络
5.2.4 ResNet网络
5.2.5 DenseNet网络
5.3 基于细粒度模型的工业产品表面缺陷检测方法
5.3.1 细粒度图像分类
5.3.2 注意力机制
5.3.3 基于细粒度的表面缺陷检测方法
5.3.4 表面缺陷检测应用案例
5.4 习题
第6章 循环神经网络及其应用示例
6.1 循环神经网络
6.1.1 长短期记忆网络
6.1.2 门控循环单元网络
6.1.3 案例介绍
6.2 自动机器学习
6.2.1 超参数优化问题
6.2.2 超参数优化方法
6.2.3 基于自动机器学习的工件质量符合率预测案例
6.3 基于超参数优化LSTM的锂电池健康程度评估方法
6.3.1 锂电池数据集
6.3.2 特征构造与选择
6.3.3 基于长短期记忆网络的锂电池健康状态预测方法
6.4 习题
参考文献