本书系统、全面地覆盖了深度学习的主要原理、框架及应用，介绍了深度学习的概念、主流工具及框架，分析了神经网络原理并用程序实现，对卷积神经网络、循环神经网络和生成对抗网络等常用的深度学习模型进行了演练。在此基础上展开基于深度学习的目标检测、图像分割、人脸识别、文本自动生成等应用场景，为读者提供了从理论学习到工程实践的全貌视图。
本书适合高等学校计算机、软件工程、人工智能等本专科专业教学使用，也适合作为对实际使用深度学习感兴趣的研究生、工程师和研究人员的学习资料。

邓劲生，国防科技大学前沿交叉学科学院教授，当前主要从事大数据、人工智能、情报科学等方面的研究。主持国家和省部级科研项目十余项，获得省部级科技进步奖、教学成果奖多项，著译图书十余本，发表论文数十篇。

第1章 深度学习初识
1.1 什么是深度学习
1.1.1 深度学习与机器学习的关系
1.1.2 深度学习与人工智能的关系
1.1.3 深度学习的应用案例
1.2 机器学习初识
1.2.1 机器学习概述
1.2.2 机器学习的分支
1.3 神经网络初识
1.3.1 神经网络的来源
1.3.2 人工神经网络与神经元模型
1.4 本章小结
思考题
第2章 深度学习主流工具及框架
2.1 开发环境的搭建及使用
2.1.1 下载及安装Anaconda开发工具
2.1.2 Python库的导入与添加
2.1.3 Anaconda命令简介
2.2 深度学习的主要框架
2.2.1 TensorFlow概况
2.2.2 CPU版环境搭建与调用
2.2.3 GPU版环境搭建与调用
2.2.4 Keras的调用
2.3 本章小结
思考题
第3章 神经网络的原理及实现
3.1 数学基础
3.1.1 张量
3.1.2 导数
3.2 神经网络模型及结构
3.2.1 MP神经元模型
3.2.2 感知机
3.2.3 前向传播
3.2.4 反向传播
3.3 激活函数
3.3.1 Sigmoid函数
3.3.2 Tanh函数
3.3.3 ReLU函数
3.3.4 Swish函数
3.4 损失函数
3.4.1 均值平方差
3.4.2 交叉熵
3.5 优化方法：梯度下降
3.5.1 批量梯度下降
3.5.2 随机梯度下降
3.5.3 小批量梯度下降
3.6 综合案例：搭建简单的神经网络
3.6.1 基本功能函数
3.6.2 简单神经网络的搭建
3.6.3 拟合函数可视化
3.7 本章小结
思考题
第4章 卷积神经网络
4.1 卷积神经网络入门
4.1.1 卷积神经网络概述
4.1.2 卷积神经网络的结构
4.2 卷积运算
4.2.1 卷积函数
4.2.2 卷积实例
4.3 池化运算
4.3.1 池化函数
4.3.2 池化实例
4.4 综合案例：手写数字识别
4.4.1 MNIST数据集初识
4.4.2 手写数字识别模型构建和训练
4.5 本章小结
思考题
第5章 循环神经网络
5.1 循环神经网络入门
5.1.1 循环神经网络概述
5.1.2 序列数据
5.1.3 循环神经网络结构
5.1.4 梯度消失和梯度爆炸
5.2 长短期记忆网络——LSTM
5.2.1 长期依赖问题
5.2.2 长短期记忆网络结构
5.3 综合案例：语义情感分析
5.4 本章小结
思考题
第6章 生成对抗网络
6.1 生成对抗网络初识
6.1.1 生成对抗网络概述
6.1.2 生成对抗网络基本模型
6.2 生成对抗网络的基本原理
6.3 综合案例：仿照手写字体
6.4 本章小结
思考题
第7章 基于深度学习的目标检测
7.1 目标检测基础
7.1.1 数据集
7.1.2 性能指标
7.1.3 锚点
7.1.4 锚框
7.1.5 非极大值抑制
7.2 传统的目标检测
7.2.1 Viola-Jones
7.2.2 方向梯度直方图
7.2.3 DPM
7.2.4 综合案例：DPM行人检测
7.3 结合候选区域和CNN分类的目标检测框架
7.3.1 R-CNN
7.3.2 SPP-NET
7.3.3 Fast R-CNN
7.3.4 Faster R-CNN
7.4 回归问题的端到端的目标检测框架
7.4.1 YOLO
7.4.2 SSD
7.4.3 综合案例：YOLO目标检测
7.5 本章小结
思考题
第8章 基于深度学习的图像分割
8.1 基于图论的方法
8.1.1 NormalizedCut
8.1.2 GraphCut
8.1.3 GrabCut
8.1.4 综合案例：GrabCut前景提取
8.2 基于聚类的方法
8.2.1 K均值聚类
8.2.2 谱聚类
8.2.3 Meanshift
8.2.4 SLIC
8.2.5 聚类应用
8.2.6 综合案例：SLIC分割超像素
8.3 基于深度语义的方法
8.3.1 FCN
8.3.2 DeepLab系列
8.3.3 PSPNet
8.3.4 U-Net
8.3.5 SegNet
8.3.6 综合案例：细胞壁检测
8.4 本章小结
思考题
第9章 基于深度学习的人脸识别
9.1 训练图像数据采集
9.1.1 训练图像数据源
9.1.2 爬取图像数据集
9.2 CNN人脸识别设计
9.2.1 CNN人脸识别设计方案
9.2.2 CNN图像处理
9.2.3 图像预处理
9.3 CNN模型搭建
9.3.1 搭建卷积层
9.3.2 搭建池化层
9.3.3 选取激活函数
9.3.4 选取优化器
9.3.5 自定义损失函数
9.3.6 设置参数调整学习效率
9.3.7 训练CNN模型
9.3.8 模型保存加载与评估
9.3.9 模型测试
9.4 口罩佩戴识别增强
9.5 本章小结
思考题
第10章 基于深度学习的文本自动生成
10.1 训练文本数据采集
10.1.1 训练文本数据源
10.1.2 训练文本数据整理
10.2 LSTM五言律诗自动生成设计
10.2.1 文本预处理
10.2.2 文本数据标准化
10.2.3 LSTM模型搭建
10.2.4 训练LSTM模型
10.3 测试LSTM模型
10.3.1 生成序列数据
10.3.2 定