"本书一部从深度学习原理、算法和工程实践三个维度阐述信号处理的著作。涉及人工神经网络、卷积神经网络、生成对抗网络、长短时间记忆网络、深度自编码器及循环神经网络等模型在图像处理、信号识别及波达估计等领域的应用。利用大量实例代码对网络模型进行分析，这些案例架起了深度学习原理与应用间的桥梁，有利于加深读者对网络模型的认识，有利于读者全面深入系统地了解深度学习的算法原理、核心思想和应用技巧，达到学以致用的目的。 本书适用于从事大数据及机器学习领域工作，对人工智能和深度学习感兴趣的各类读者。"

郭业才，男，博士、博导，2006年全国优秀百篇博士学位论文获得者。主持完成或承担了全国优秀博士学位论文作者专项资金、国家自然科学基金等科研项目和国家级省级教学研究项目等，共20余项；获省级科学技术成果奖和教学成果奖7项；获批并出版国家级规划教材1部、教育部电子信息类教指委规划教材3部及省重点教材2部；获授权发明专利30余件。

前言 作为机器学习的分支，深度学习是近年来人工智能领域取得的最重要的突破之一，可以简单理解为神经网络的发展。通过深度学习，系统会自动提取非常多的特征及特征组合，并找出有用的特征； 深度学习在处理线性不可分问题时，通过解决一个又一个的简单问题，达到解决复杂问题的目的，也可以认为它通过一层又一层的中间层实现了复杂的功能。近年来，深度学习在语音、图像、生物识别、自然语言处理、机器人、博弈、医疗、金融、艺术、无人驾驶等诸多领域都获得了巨大成功，成为智能时代的关键技术。 本书汇集了笔者及其团队在深度学习方面多年的研究心得和成果； 同时，吸收了其他作者在国内外重要期刊所发表论文中的最新成果。全书共四篇11章，第一篇为深度学习基础篇，内容包括深度学习形成与发展过程及其数学与优化基础； 第二篇为神经网络篇，内容包括人工神经网络、Hopfield神经网络和脉冲耦合神经网络； 第三篇为卷积神经网络篇，内容包括深度卷积神经网络、混合空洞卷积神经网络和深度生成对抗与强化学习网络； 第四篇为循环递归神经网络篇，内容包括循环神经网络、深度递归级联卷积神经网络和长短期记忆神经网络。 全书紧跟国内外深度学习领域的研究动态。从辩证角度，对目前受到关注的一些深度学习模型、原理及训练流程等进行了详细阐述； 从系统角度，各种深度学习网络起始于原理剖析、侧重于方法论述、落脚于应用领域，体系结构完整； 从应用角度，以最新应用成果为实例，搭建了深度学习网络与解决具体问题之桥梁，生动展现了解决问题之道，体现了解决问题之效，实现了从抽象到具体、从微观机制到宏观应用的转换； 从进阶角度，始于深度学习基础，按...