第1章　緒論 1
1.1　機器學習與深度學習 1
1.1.1　機器學習與深度學習的關系 2
1.1.2　傳統機器學習與深度學習的對比 3
1.2　統計學與深度學習 5
1.2.1　統計學與深度學習的關系 5
1.2.2　基于統計的深度學習技術 6
1.3　本書涉及的深度學習框架 8
1.4　優化深度學習的方法 8
1.5　深度學習展望 9
第2章　TensorFlow深度學習框架構建方法與圖像分類的實現 12
2.1　TensorFlow概述 12
2.1.1　TensorFlow的特點 13
2.1.2　TensorFlow中的模型 14
2.2　TensorFlow框架安裝 16
2.2.1　基于Anaconda的安裝 16
2.2.2　測試TensorFlow 19
2.3　基于TensorFlow框架的圖像分類實現（ResNet-34） 20
2.3.1　應用背景 20
2.3.2　ResNet 21
2.3.3　ResNet程序實現 24
2.3.4　詳細代碼解析 27
2.3.5　實驗結果及分析 51
第3章　Caffe深度學習框架搭建與圖像語義分割的實現 56
3.1　Caffe概述 56
3.1.1　Caffe的特點 56
3.1.2　Caffe框架結構 57
3.2　Caffe框架安裝與調試 59
3.3　基于Caffe框架的圖像分割實現（FCN） 64
3.3.1　用Caffe構建卷積神經網絡 64
3.3.2　FCN-8s網絡簡介 69
3.3.3　詳細代碼解讀 85
3.3.4　實驗結果與結論 98
第4章　Torch深度學習框架搭建與目標檢測的實現 100
4.1　Torch概述 100
4.1.1　Torch的特點 100
4.1.2　Lua語言 102
4.2　Torch框架安裝 104
4.3　基于Torch框架的目標檢測實現（Faster R-CNN） 113
4.3.1　Torch的類和包的基本用法 113
4.3.2　用Torch構建神經網絡 116
4.3.3　Faster R-CNN介紹 119
4.3.4　Faster R-CNN實例 127
4.3.5　實驗結果分析 161
第5章　MXNet深度學習框架構建與自然語言處理的實現 164
5.1　MXNet概述 164
5.1.1　MXNet基礎知識 164
5.1.2　編程接口 166
5.1.3　系統實現 169
5.1.4　MXNet的關鍵特性 171
5.2　MXNet框架安裝 172
5.3　基于MXNet框架的自然語言處理實現（LSTM） 179
5.3.1　自然語言處理應用背景 179
5.3.2　RNN及LSTM網絡 180
5.3.3　Bucketing及不同長度的序列訓練 183
5.3.4　詳細代碼實現 185
5.3.5　實驗過程及實驗結果分析 191
第6章　遷移學習 195
6.1　遷移學習發展概述 195
6.2　遷移學習的類型與模型 196
6.2.1　凍結源模型與微調源模型 197
6.2.2　神經網絡遷移學習模型與分類器遷移學習模型 197
6.3　遷移學習方法實例指導 199
6.3.1　遷移學習應用示例 199
6.3.2　實驗結論 202
第7章　并行計算與交叉驗證 203
7.1　并行計算 203
7.1.1　數據并行框架 204
7.1.2　模型并行框架 205
7.1.3　數據并行與模型并行的混合架構 205
7.2　交叉驗證 207
7.2.1　留出法 207
7.2.2　K折交叉驗證 208
7.2.3　留一交叉驗證 209
參考文獻 211