深度學習已經廣泛的應用到智能制造的各個方面。本書以智能制造為背景，分別介紹了深度學習在故障診斷、表面缺陷預測、健康狀態評估等方面的工作。本書的內容不僅涵蓋了深度學習的基本概念和理論，更多的介紹了常見的深度學習模型及其實現方式，以通俗易懂的方式，為讀者呈現出深度學習的核心內容。突出為智能制造專業服務的主線，在案例的選取上，摒棄了傳統以圖像識別、自然語言處理為主的講解模式，通過選擇智能制造及智能制造繫統中案例，指導讀者更好的了解深度學習的使用方法和技巧。

●第1章緒論
1.1人工智能
1.1.1人工智能的研究範疇
1.1.2人工智能的三大學派
1.2機器學習
1.2.1機器學習的基本概念
1.2.2無監督學習、監督學習與強化學習
1.2.3淺層機器學習
1.3深度學習
1.3.1深度學習的發展歷程
1.3.2深度學習的應用
1.4習題
第2章深度學習基礎
2.1回歸和分類
2.1.1回歸模型
2.1.2分類模型
2.2人工神經網絡
2.2.1M-模型
2.2.2多層感知機
2.3激活函數
2.4損失函數
2.5批量
2.6正則化
2.7模型評估與驗證
2.8習題
第3章常用深度學習框架
3.1TensorFlow
3.2Keras
3.3PyTorch
3.4習題
第4章自編碼器及其應用示例
4.1自編碼器
4.1.1自編碼器的結構
4.1.2自編碼器的訓練方法
4.1.3自編碼器的TensorFlow實現
4.2自編碼器的變體
4.2.1稀疏自編碼器
4.2.2去噪自編碼器
4.2.3收縮自編碼器
4.3基於棧式自編碼器的故障預測方法
4.3.1棧式自編碼器
4.3.2軸承故障診斷應用案例
4.4習題
第5章卷積神經網絡及其應用示例
5.1卷積神經網絡
5.1.1卷積運算
5.1.2卷積層
5.1.3池化層
5.1.4其他卷積方式
5.2經典卷積神經網絡模型
5.2.1LeNet-5網絡
5.2.2VGG網絡
5.2.3InceptionV3網絡
5.2.4ResNet網絡
5.2.5DenseNet網絡
5.3基於細粒度模型的工業產品表面缺陷檢測方法
5.3.1細粒度圖像分類
5.3.2注意力機制
5.3.3基於細粒度的表面缺陷檢測方法
5.3.4表面缺陷檢測應用案例
5.4習題
第6章循環神經網絡及其應用示例
6.1循環神經網絡
6.1.1長短期記憶網絡
6.1.2門控網絡
6.1.3案例介紹
6.2自動機器學習
6.2.1超參數優化問題
6.2.2超參數優化方法
6.2.3基於自動機器學習的工件質量符合率預測案例
6.3基於超參數優化LSTM的鋰電池健康程度評估方法
6.3.1鋰電池數據集
6.3.2特征構造與選擇
6.3.3基於長短期記憶網絡的鋰電池健康狀態預測方法
6.4習題
參考文獻

市面上深度學習的相關書籍很多，大多以深度學習的框架和使用為主，應用場景也多為計算機視覺、圖像處理、自然語言處理等方向。本書則面向智能制造領域，面向對深度學習的基本理論和概念缺少深入了解的工程技術人員，以方便他們能更加快速地使用深度學習實現在工程上的科學應用。基於此，本書首先介紹了機器學習/深度學習的基本概念，從人工智能和機器學習的背景和基礎理論講起。然後介紹了當前常用的3種深度學習框架和案例，輔助讀者能更快地實現自己的深度學習模型。最後，以3個典型案例介紹了深度學習在智能制造領域的常見應用。本書的內容由淺入深，理論與實際相結合，其內容共分為6章。第1章介紹了人工智能、機器學習、深度學習的相關背景、發展歷程及其關繫；第2章介紹了深度學習的基礎概念和相關組成要素；第3章介紹了TensorFlow、Keras和PyTorch3種常用的深度學習框架；第4章采用TensorFlow實現自編碼器模型，等

文龍,李新宇 編