深度神经网络是近年来受到广泛关注的研究方向，它已成为人工智能2.0的主要组成部分。本书系统地论述了深度神经网络基本理论、算法及应用。全书共16章，分为两个部分；第一部分（第1章～10章）系统论述了理论及算法，包括深度前馈神经网络、深度卷积神经网络、深度堆栈神经网络、深度递归神经网络、深度生成网络、深度融合网络等；第二部分（第11～15章）论述了常用的深度学习平台，以及在高光谱图像、自然图像、SAR与极化SAR影像等领域的应用；第16章为总结与展望，给出了深度学习发展的历史图、前沿方向及最新进展。每章都附有相关阅读材料及仿真代码，以便有兴趣的读者进一步钻研探索。
本书具有以下的特点：
一、内容系统全面
全书16章，覆盖了深度学习当前出现的诸多经典框架或模型，分为两个部分。第一部分系统地从数据、模型、优化目标函数和求解等四个方面论述了深度学习的理论及算法，如卷积神经网络、深度生成模型等；第二部分基于5种主流的深度学习平台给出了深度网络在自然图像、卫星遥感影像等领域的应用，如分类、变化检测、目标检测与识别等任务。另外给出了深度学习发展的脉络图及最新研究进展，提供可基于5种平台实现的47中深度网络代码，以便有兴趣的读者进一步钻研探索。
二、叙述立场客观
作为深度学习的入门教材，尽可能不带偏见地对材料进行分析、加工以及客观介绍。本书理论部分均从模型产生的本源来介绍，并给出各个经典模型之间内在的相互联系。本书实践应用部分对相关任务做了详尽的分析，并给出深度学习应用实践的经验总结。
三、设计装帧精美
该书设计人性化，文字、公式、数学符号混排格式美观精致，特别是，全书采用全彩印制，软精装装帧。封面设计清新却不脱俗、学术化，足可以看出出版社和作者的用心。
目录
- 第1章 深度学习基础 1
- 1.1 数学基础 2
- 1.1.1 矩阵论 2
- 1.1.2 概率论 3
- 1.1.3 优化分析 5
- 1.1.4 框架分析 6
- 1.2 稀疏表示 8
- 1.2.1 稀疏表示初步 8
- 1.2.2 稀疏模型 20
- 1.2.3 稀疏认知学习、计算与识别的范式 24
- 1.3 机器学习与神经网络 31
- 1.3.1 机器学习 31
- 1.3.2 神经网络 36
- 参考文献 38
- 第2章 深度前馈神经网络 41
- 2.1 神经元的生物机理 42
- 2.1.1 生物机理 42
- 2.1.2 单隐层前馈神经网络 43
- 2.2 多隐层前馈神经网络 45
- 2.3 反向传播算法 47
- 2.4 深度前馈神经网络的学习范式 48
- 参考文献 51
- 第3章 深度卷积神经网络 54
- 3.1 卷积神经网络的生物机理及数学刻画 55
- 3.1.1 生物机理 55
- 3.1.2 卷积流的数学刻画 56
- 3.2 深度卷积神经网络 61
- 3.2.1 典型网络模型与框架 61
- 3.2.2 学习算法及训练策略 69
- 3.2.3 模型的优缺点分析 71
- 3.3 深度反卷积神经网络 73
- 3.3.1 卷积稀疏编码 74
- 3.3.2 深度反卷积神经网络 75
- 3.3.3 网络模型的性能分析与应用举例 77
- 3.4 全卷积神经网络 77
- 3.4.1 网络模型的数学刻画 77
- 3.4.2 网络模型的性能分析及应用举例 79
- 参考文献 80
- 第4章 深度堆栈自编码网络 83
- 4.1 自编码网络 84
- 4.1.1 逐层学习策略 84
- 4.1.2 自编码网络 84
- 4.1.3 自编码网络的常见范式 87
- 4.2 深度堆栈网络 90
- 4.3 深度置信网络/深度玻尔兹曼机网络 93
- 4.3.1 玻尔兹曼机/受限玻尔兹曼机 93
- 4.3.2 深度玻尔兹曼机/深度置信网络 94
- 参考文献 96
- 第5章 稀疏深度神经网络 99
- 5.1 稀疏性的生物机理 100
- 5.1.1 生物视觉机理 100
- 5.1.2 稀疏性响应与数学物理描述 102
- 5.2 稀疏深度网络模型及基本性质 102
- 5.2.1 数据的稀疏性 103
- 5.2.2 稀疏正则 103
- 5.2.3 稀疏连接 104
- 5.2.4 稀疏分类器设计 106
- 5.2.5 深度学习中关于稀疏的技巧与策略 108
- 5.3 网络模型的性能分析 110
- 5.3.1 稀疏性对深度学习的影响 110
- 5.3.2 对比实验及结果分析 110
- 参考文献 111
- 第6章 深度融合网络 113
- 6.1 深度SVM网络 114
- 6.1.1 从神经网络到SVM 114
- 6.1.2 网络模型的结构 115
- 6.1.3 训练技巧 117
- 6.2 深度PCA网络 117
- 6.3 深度ADMM网络 119
- 6.4 深度极限学习机 121
- 6.4.1 极限学习机 121
- 6.4.2 深度极限学习机 123
- 6.5 深度多尺度几何网络 125
- 6.5.1 深度脊波网络 125
- 6.5.2 深度轮廓波网络 127
- 6.6 深度森林 130
- 6.6.1 多分辨特性融合 131
- 6.6.2 级联特征深度处理 131
- 参考文献 133
- 第7章 深度生成网络 136
- 7.1 生成式对抗网络的基本原理 137
- 7.1.1 网络模型的动机 137
- 7.1.2 网络模型的数学物理描述 139
- 7.2 深度卷积对抗生成网络 141
- 7.2.1 网络模型的基本结构 141
- 7.2.2 网络模型的性能分析 144
- 7.2.3 网络模型的典型应用 146
- 7.3 深度生成网络模型的新范式 151
- 7.3.1 生成式对抗网络的新范式 151
- 7.3.2 网络框架的性能分析与改进 154
- 7.4 应用驱动下的两种新生成式对抗网络 155
- 7.4.1 堆栈生成式对抗网络 155
- 7.4.2 对偶学习范式下的生成式对抗网络 158
- 7.5 变分自编码器 160
- 参考文献 162
- 第8章 深度复卷积神经网络与深度二值神经网络 167
- 8.1 深度复卷积神经网络 168
- 8.1.1 网络模型构造的动机 168
- 8.1.2 网络模型的数学物理描述 168
- 8.2 深度二值神经网络 172
- 8.2.1 网络基本结构 172
- 8.2.2 网络的数学物理描述 173
- 8.2.3 讨论 176
- 参考文献 177
- 第9章 深度循环和递归神经网络 180
- 9.1 深度循环神经网络 181
- 9.1.1 循环神经网络的生物机理 181
- 9.1.2 简单的循环神经网络 181
- 9.1.3 深度循环神经网络的数学物理描述 183
- 9.2 深度递归神经网络 188
- 9.2.1 简单的递归神经网络 188
- 9.2.2 深度递归神经网络的优势 189
- 9.3 长短时记忆神经网络 190
- 9.3.1 改进动机分析 190
- 9.3.2 长短时记忆神经网络的数学分析 191
- 9.4 典型应用 192
- 9.4.1 深度循环神经网络的应用举例 193
- 9.4.2 深度递归神经网络的应用举例 194
- 参考文献 194
- 第10章 深度强化学习 197
- 10.1 深度强化学习基础 198
- 10.1.1 深度强化学习的基本思路 198
- 10.1.2 发展历程 198
- 10.1.3 应用的新方向 200
- 10.2 深度Q网络 201
- 10.2.1 网络基本模型与框架 201
- 10.2.2 深度Q网络的数学分析 202
- 10.3 应用举例—AlphaGo 204
- 10.3.1 AlphaGo原理分析 205
- 10.3.2 深度强化学习性能分析 206
- 参考文献 207
- 第11章 深度学习软件仿真平台及开发环境 209
- 11.1 Caffe平台 210
- 11.1.1 Caffe平台开发环境 210
- 11.1.2 AlexNet神经网络学习 210
- 11.1.3 AlexNet神经网络应用于图像分类 212
- 11.2 TensorFlow平台 215
- 11.2.1 TensorFlow平台开发环境 215
- 11.2.2 深度卷积生成式对抗网DCGAN 216
- 11.2.3 DAN应用于样本扩充 217
- 11.3 MXNet平台 220
- 11.3.1 MXNet平台开发环境 220
- 11.3.2 VGG-NET深度神经网络学习 222
- 11.3.3 图像分类应用任务 225
- 11.4 Torch 7平台 226
- 11.4.1 Torch 7平台开发环境 226
- 11.4.2 二值神经网络 227
- 11.4.3 二值神经网络应用于图像分类 239
- 11.5 Theano平台 233
- 11.5.1 Theano平台开发环境 233
- 11.5.2 递归神经网络 234
- 11.5.3 LSTM应用于情感分类任务 237
- 参考文献 238
- 第12章 基于深度神经网络的SAR/PolSAR影像地物分类 240
- 12.1 数据集及研究目的 241
- 12.1.1 数据集特性分析 241
- 12.1.2 基本数据集 244
- 12.1.3 研究目的 247
- 12.2 基于深度神经网络的SAR影像地物分类 251
- 12.2.1 基于自适应自编码和超像素的SAR图像分类 251
- 12.2.2 基于卷积中层特征学习的SAR图像分类 257
- 12.3 基于第一代深度神经网络的PolSAR影像地物分类 263
- 12.3.1 基于稀疏极化DBN的极化SAR地物分类 263
- 12.3.2 基于深度PCA网络的极化SAR影像地物分类 267
- 12.4 基于第二代深度神经网络的PolSAR影像地物分类 271
- 12.4.1 基于深度复卷积网络的极化PolSAR影像地物分类 271
- 12.4.2基于生成式对抗网的极化PolSAR影像地物分类 274
- 12.4.3基于深度残差网络的极化PolSAR影像地物分类 278
- 参考文献 280
- 第13章 基于深度神经网络的SAR影像变化检测 284
- 13.1 数据集特点及研究目的 285
- 13.1.1 研究目的 285
- 13.1.2 数据基本特性 288
- 13.1.3 典型数据集 291
- 13.2 基于深度学习和SIFT特征的SAR图像变化检测 293
- 13.2.1 基本方法与实现策略 284
- 13.2.2 对比实验结果分析 295
- 13.3基于SAE的SAR图像变化检测 299
- 13.3.1 基本方法与实现策略 299
- 13.3.2 对比实验结果分析 303
- 13.4基于CNN的SAR图像变化检测 305
- 13.4.1基本方法与实现策略 305
- 13.4.2对比实验结果分析 307
- 参考文献 309
- 第14章 基于深度神经网络的高光谱图像分类与压缩 311
- 14.1 数据集及研究目的 312
- 14.1.1 高光谱遥感技术 312
- 14.1.2 高光谱遥感的研究目的 313
- 14.1.3 常用的高光谱数据集 314
- 14.2 基于深度神经网络的高光谱影像的分类 318
- 14.2.1 基于堆栈自编码的高光谱影像的分类 319
- 14.2.2 基于卷积神经网络的高光谱影像的分类 325
- 14.3基于深度神经网络的高光谱影像的压缩 333
- 14.3.1 基于深度自编码网络的高光谱图像压缩方法 334
- 14.3.2 实验设计及分类结果 336
- 参考文献 338
- 第15章 基于深度神经网络的目标检测与识别 340
- 15.1 数据特性及研究目的 341
- 15.1.1 研究目的 341
- 15.1.2 常用数据集 343
- 15.2 基于快速CNN的目标检测与识别 345
- 15.2.1 R-CNN 346
- 15.2.2 Fast R-CNN 348
- 15.2.3 Faster R-CNN 349
- 15.2.4 对比实验结果与分析 352
- 15.3 基于回归学习的目标检测与识别 353
- 15.3.1 YOLO 353
- 15.3.2 SSD 356
- 15.3.3 对比实验结果分析 359
- 15.4 基于学习搜索的目标检测与识别 360
- 15.4.1 基于深度学习的主动目标定位 360
- 15.4.2 AttentionNet 363
- 15.4.3 对比实验结果分析 365
- 参考文献 366
- 第16章 总结与展望 368
- 16.1 深度学习发展历史图 369
- 16.1.1 从机器学习、稀疏表示学习到深度学习 370
- 16.1.2 深度学习、计算与认知的范式演进 371
- 16.1.3 深度学习形成脉络 375
- 16.2 深度学习的典型应用 375
- 16.2.1 目标检测与识别 375
- 16.2.2 超分辨 376
- 16.2.3 自然语言处理 376
- 16.3 深度神经网络的可塑性 377
- 16.3.1 旋转不变性 377
- 16.3.2 平移不变性 378
- 16.3.3 多尺度、多分辨和多通路特性 378
- 16.3.4 稀疏性 379
- 16.4 基于脑启发式的深度学习前沿方向 380
- 16.4.1 生物神经领域关于认知、识别、注意等的最新研究进展 380
- 16.4.2 深度神经网络的进一步研究方向 382
- 16.4.3 深度学习的可拓展性 383
- 参考文献 383
- 附录A 基于深度学习的常见任务处理介绍 386
- 附录B 代码介绍 393
