前言

深度学习模型因为阿尔法狗战胜了人类围棋冠军而一举成名，再加上BAT（百度、阿里巴巴、腾讯）、谷歌等国内外知名公司的推崇，使得深度学习模型的研究热浪一波高过一波。深度学习模型之所以能使得一度被打入冷宫的神经网络重新受到了大众的宠爱，主要因为深度学习模型能用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征，从而使得过去被废弃的大量非标签数据在神经网络中得到了利用；更为重要的是，使得神经网络的深度得到极大的增加，从而极大地提高了神经网络的处理能力。深度学习模型虽然是一个初生儿，但辈分极高，因为其前身是具有悠久历史的神经网络，在20年前，我上大学期间就有一门课程，称为“神经网络”。虽然辈分很高，但毕竟是初生儿，毕竟是一个新的生命，所以不论在理论上还是在应用上，都存在着很多盲点和缺陷，都需要开拓和创新，都需要完善和升级。

深度学习模型的春雨过后，无人驾驶、图像识别等人工智能相关的应用如雨后春笋层出不穷。随着应用的深度开展，其理论研究也在如火如荼地展开。很多企业和高校已经成立了深度学习研究中心或小组，专门研究深度学习模型的相关理论和应用，同时深度学习模型方面的培训和课程也在国内外掀起了热潮，但困境是深度学习模型理论和应用相关的著作仍然比较缺乏。

在深度学习模型火热之前，大数据已经热了几年，而深度学习模型的出现给大数据的智能处理提供了一个新的出路。深度学习模型只有基于大数据才能发挥其威力，才能达到很高的准确度。而大数据在应用了深度学习之后所能达到的处理效果也是传统算法所无法企及的。可以说，两者相得益彰，相互促进，互利共赢。

本书可以作为学习和研究深度学习模型的学生和学者的参考用书，其中的理论部分可以用于完善现有深度学习模型方法的不足，为理论的创新奠定基础；其中的应用部分可以为企业提供更多的深度学习模型应用思路和方案，进而使得深度学习模型在实践中产生更大的价值。

本书的所有内容都是作者原创性的研究成果。本书的原创性在于首次提出并研究给出了组合型深度学习模型、智能型深度学习模型、适应型深度学习模型；首次提出并研究给出了三种组合型深度学习模型，包括基于类别树的深度学习模型、基于联合聚类深度学习模型的数据识别、基于深度学习模型的身份识别；首次提出并研究给出了两种智能型深度学习模型，包括基于大数据的深度学习模型初始化、深度学习模型进化；首次提出并研究给出了两种适应型深度学习模型，包括期望与反期望深度学习模型、残缺深度学习模型；首次提出并研究给出了两种深度学习模型的预报预测大数据应用，包括基于大数据深度学习和分析场的气象预报、分析预测文化冲突的深度学习模型；首次提出并研究给出了三种深度学习模型的调度推荐大数据应用，包括基于大数据和深度学习模型的云计算调度、基于大数据和深度学习模型的停车引导、基于大数据与深度学习的婚恋对象匹配推荐；首次提出并研究给出了两种深度学习模型的检测诊断大数据应用，包括基于深度学习模型和大数据的停车位检测、基于深度学习模型面向自动诊断的医疗数据处理。

本书选取的是人工智能的前沿领域和热点领域深度学习模型，但与各个应用领域进行了交叉创新，并在交叉创新的过程中发现和改进了现有深度学习模型理论的不足，同时拓展了现有深度学习模型的应用范围，进而实现了现有深度学习模型技术基础上从理论到应用的创新。

本书中的研究得到了国家级新工科研究与实践项目（粤教高函【2018】17号）、国家社会科学基金重大项目（14ZDB101）、国家自然科学基金重点项目（41630635）、教育部—腾讯公司产学合作协同育人项目（201602001001）、广东高校重大科研项目（粤教科函【2018】64）、广东省新工科研究与实践项目（粤教高函【2017】118号）、广东省高等教育教学研究和改革重点项目（粤教高函【2016】236号）、广东省学位与研究生教育改革研究重点项目（粤教研函【2016】39号）、广东省联合培养研究生示范基地（粤教研函【2016】39号）的支持。

本书的特色在于以深度学习模型应用牵引深度学习模型理论的创新，同时以深度学习模型理论的创新促进深度学习模型应用的创新，在深度学习模型与各行各业之间进行了大胆的交叉创新，从而使得深度学习模型技术更智能、更普适、更精准、更强大，进而加速深度学习模型智能应用的发展。当然，深入后必能浅出，因此读者通过本书也能根据深度学习模型的新理论、新方法和新应用加深对现有深度学习技术的理解和应用。

华南师范大学

朱定局

2018年5月