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

5.2.3Inception V3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

智能制造是《中國制造2025》的主攻方向。深度學習已經在智能制造中得到了廣泛的應用，並逐漸向制造過程全生命周期的各個環節滲透和擴展。提到深度學習，很多人都不會陌生，甚至會思考如何借助深度學習的強大功能解決自己面對的各種實際問題。深度學習也正是一門應用性極強的工程技術。但是，深度學習的核心內容不僅包括機器學習的基本概念，還包括網絡結構設計、模型訓練方法等，具有一定的技術門檻，對初學者來說還具有一定的難度。如何能繫統性地了解深度學習的基本原理，又能進行全面實踐，這是十分重要的問題，也是本書力圖解決的問題。
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。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。

本書源代碼

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PyTorch 3種常用的深度學習框架； 第4章采用TensorFlow實現自編碼器模型，並在軸承故障診斷上得到應用； 第5章采用PyTorch實現了卷積神經網絡模型，並在產品表面缺陷上得到了應用； 第6章采用Keras實現了循環神經網絡，並在鋰電池的健康程度評估上得到了應用。本書涉及的部分源代碼可通過右側二維碼掃描下載。
限於作者水平，書中難免會有不足之處，敬請廣大讀者和專家批評指正。
作者2022年5月