深度学习技术作为人工智能领域的一门新兴技术，已成为人工智能科研领域、企业应用领域中常用的一门技术。本教材由神经网络基本训练规则、感知器、BP网络作为基础，讲述神经网络基础训练方法。并通过自编码器网络，将浅层网络过度到深度神经网络部分，详细讲解卷积神经网络原理及训练方法、卷积神经网络的发展以及基于卷积神经网络的目标检测算法等。而后，对序列信息处理神经网络—循环神经网络进行讲解。本教程采用由浅入深的方式，对深度学习相关理论进行讲解，满足教学过程中的需要。

许庆阳山东大学副教授、博士、博士生导师，主要从事智能机器人、人工智能、深度学习、智能优化算法等方面的教学与科研工作。参与科技部科技创新2030—“新一代人工智能”重大项目，承担国家自然科学基金1项、山东省重点研发计划1项，完成了山东省自然科学基金1项。在国内外学术期刊发表学术论文25余篇，其中SCI已收录17篇，申请发明专利5项。

前言 近年来，人工智能发展迅速，不断地改变人类的生产和生活方式，极大地推动了社会经济的发展，已成为驱动新一轮科技革命和产业变革的重要力量。人工智能的发展得益于多方面因素： 一方面算力的不断增长，为人工智能的发展提供了有力的硬件支撑； 另一方面大数据时代海量数据的积累，为人工智能的发展奠定了数据基础； 更重要的是人工智能算法的进步和优化，为人工智能的发展提供了原动力。近年来，推动人工智能发展的关键技术之一就是深度学习。深度学习是机器学习领域一个新的研究方向，其本质是利用人工神经网络架构，对数据进行特征学习与决策的算法。深度学习是一种复杂的机器学习算法，具有特征提取、表征及预测能力。传统机器学习方法将特征提取与分类决策作为两个问题进行处理，特征提取依赖人工设计的特征，提取特征后选用浅层模型进行分类预测； 深度学习方法不需要人工设计特征，而是依赖算法自动学习提取特征的方法，同时对特征进行分类，特征提取与分类预测融为一体，采用端到端的训练模式。深度学习模仿了人类大脑的运行方式，从经验数据中学习获取知识。深度学习在视觉信息分析、机器翻译、人机对话、语音识别与合成、机器人以及其他相关领域都取得了众多丰硕的成果。 本书共12章。第1章从人工神经网络的起源说起，阐述了随着时代的变迁，人工神经网络由传统浅层算法演变为当前深度学习方法跌宕起伏的发展历程。在第2章中，对人工神经网络基础进行了阐述，包括感知器、BP网络以及反向传播算法，这是人工神经网络理论发展的根基。第3章对一种自监督架构——自编码器进行了阐述，自编码器也是深度学习初次被提出时所采用的网络训练机制。第4章到第...