第1章　深度學習介紹　　1
1.1　開始深度學習之旅　　5
1.1.1　深度前饋網絡　　6
1.1.2　各種學習算法　　6
1.2　深度學習的相關術語　　10
1.3　深度學習——一場人工智能革命　　12
1.4　深度學習網絡的分類　　18
1.4.1　深度生成或無監督模型　　19
1.4.2　深度判彆模型　　20
1.5　小結　　22
第2章　大規模數據的分布式深度學習　　23
2.1　海量數據的深度學習　　24
2.2　大數據深度學習麵臨的挑戰　　27
2.2.1　海量數據帶來的挑戰（第一個V）　　28
2.2.2　數據多樣性帶來的挑戰（第二個V）　　28
2.2.3　數據快速處理帶來的挑戰（第三個V）　　29
2.2.4　數據真實性帶來的挑戰（第四個V）　　29
2.3　分布式深度學習和Hadoop　　29
2.3.1　Map-Reduce　　31
2.3.2　迭代Map-Reduce　　31
2.3.3　YARN　　32
2.3.4　分布式深度學習設計的重要特徵　　32
2.4　深度學習的開源分布式框架Deeplearning4j　　34
2.4.1　Deeplearning4j的主要特性　　34
2.4.2　Deeplearning4j功能總結　　35
2.5　在Hadoop YARN上配置Deeplearning4j　　35
2.5.1　熟悉Deeplearning4j　　36
2.5.2　為進行分布式深度學習集成Hadoop YARN和Spark　　40
2.5.3　Spark在Hadoop YARN上的內存分配規則　　40
2.6　小結　　44
第3章　捲積神經網絡　　45
3.1　捲積是什麼　　46
3.2　捲積神經網絡的背景　　47
3.3　捲積神經網絡的基本層　　48
3.3.1　捲積神經網絡深度的重要性　　49
3.3.2　捲積層　　49
3.3.3　為捲積層選擇超參數　　52
3.3.4　ReLU層　　56
3.3.5　池化層　　57
3.3.6　全連接層　　58
3.4　分布式深度捲積神經網絡　　58
3.4.1　最受歡迎的深度神經網絡及其配置　　58
3.4.2　訓練時間——深度神經網絡麵臨的主要挑戰　　59
3.4.3　將Hadoop應用於深度捲積神經網絡　　59
3.5　使用Deeplearning4j構建捲積層　　61
3.5.1　加載數據　　61
3.5.2　模型配置　　62
3.5.3　訓練與評估　　63
3.6　小結　　64
第4章　循環神經網絡　　65
4.1　循環網絡與眾不同的原因　　66
4.2　循環神經網絡　　67
4.2.1　展開循環計算　　68
4.2.2　循環神經網絡的記憶　　69
4.2.3　架構　　70
4.3　隨時間反嚮傳播　　71
4.4　長短期記憶　　73
4.4.1　隨時間深度反嚮傳播的問題　　73
4.4.2　長短期記憶　　73
4.5　雙嚮循環神經網絡　　75
4.5.1　循環神經網絡的不足　　75
4.5.2　解決方案　　76
4.6　分布式深度循環神經網絡　　77
4.7　用Deeplearning4j訓練循環神經網絡　　77
4.8　小結　　80
第5章　受限玻爾茲曼機　　81
5.1　基於能量的模型　　82
5.2　玻爾茲曼機　　83
5.2.1　玻爾茲曼機如何學習　　84
5.2.2　玻爾茲曼機的不足　　85
5.3　受限玻爾茲曼機　　85
5.3.1　基礎架構　　85
5.3.2　受限玻爾茲曼機的工作原理　　86
5.4　捲積受限玻爾茲曼機　　88
5.5　深度信念網絡　　90
5.6　分布式深度信念網絡　　91
5.6.1　受限玻爾茲曼機的分布式訓練　　91
5.6.2　深度信念網絡的分布式訓練　　92
5.7　用Deeplearning4j實現受限玻爾茲曼機和深度信念網絡　　94
5.7.1　受限玻爾茲曼機　　94
5.7.2　深度信念網絡　　95
5.8　小結　　97
第6章　自動編碼器　　98
6.1　自動編碼器　　98
6.2　稀疏自動編碼器　　101
6.2.1　稀疏編碼　　101
6.2.2　稀疏自動編碼器　　102
6.3　深度自動編碼器　　104
6.3.1　訓練深度自動編碼器　　104
6.3.2　使用Deeplearning4j實現深度自動編碼器　　107
6.4　降噪自動編碼器　　108
6.4.1　降噪自動編碼器的架構　　109
6.4.2　堆疊式降噪自動編碼器　　109
6.4.3　使用Deeplearning4j實現堆疊式降噪自動編碼器　　110
6.5　自動編碼器的應用　　112
6.6　小結　　112
第7章　用Hadoop玩轉深度學習　　113
7.1　Hadoop中的分布式視頻解碼　　114
7.2　使用Hadoop進行大規模圖像處理　　116
7.3　使用Hadoop進行自然語言處理　　117
7.3.1　Web爬蟲　　118
7.3.2　自然語言處理的關鍵詞提取和模塊　　118
7.3.3　從頁麵評估相關關鍵詞　　118
7.4　小結　　119
參考文獻　　120
· · · · · · (收起)