类似推荐
编辑推荐
深度学习理论实战教程：从基础到应用，涵盖CNN、LSTM等，使用Tensorflow 2/Keras框架。
内容简介
本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM,以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。
章节目录
封面
版权信息
内容简介
前言
第1章 深度学习背景介绍
1.1 人工智能
1.2 机器学习
1.2.1 训练数据、验证数据和测试数据
1.2.2 学习方式
1.2.3 机器学习常用算法
1.3 人工智能、机器学习、神经网络及深度学习之间的关系
1.4 深度学习的应用
1.5 神经网络和深度学习的发展史
1.5.1 神经网络的诞生：20世纪40年代到20世纪60年代
1.5.2 神经网络的复兴：20世纪80年代到20世纪90年代
1.5.3 深度学习：2006年至今
1.6 深度学习领域中的重要人物
1.7 新一轮人工智能爆发的三要素
1.8 参考文献
第2章 搭建Python编程环境
2.1 Python介绍
2.2 Anaconda安装
2.3 Jupyter Notebook的简单使用
2.3.1 启动Jupyter Notebook
2.3.2 修改Jupyter Notebook默认启动路径
2.3.3 Jupyter Notebook浏览器无法打开
2.3.4 Jupyter Notebook基本操作
第3章 单层感知器与线性神经网络
3.1 生物神经网络
3.2 单层感知器
3.2.1 单层感知器介绍
3.2.2 单层感知器计算举例
3.2.3 单层感知器的另一种表达形式
3.3 单层感知器的学习规则
3.3.1 单层感知器的学习规则介绍
3.3.2 单层感知器的学习规则计算举例
3.4 学习率
3.5 模型的收敛条件
3.6 模型的超参数和参数的区别
3.7 单层感知器分类案例
3.8 线性神经网络
3.8.1 线性神经网络介绍
3.8.2 线性神经网络分类案例
3.9 线性神经网络处理异或问题
第4章 BP神经网络
4.1 BP神经网络介绍及发展背景
4.2 代价函数
4.3 梯度下降法
4.3.1 梯度下降法介绍
4.3.2 梯度下降法二维例子
4.3.3 梯度下降法三维例子
4.4 Delta学习规则
4.5 常用激活函数讲解
4.5.1 sigmoid函数
4.5.2 tanh函数
4.5.3 softsign函数
4.5.4 ReLU函数
4.6 BP神经网络模型和公式推导
4.6.1 BP网络模型[3]
4.6.2 BP算法推导
4.6.3 BP算法推导的补充说明
4.7 BP算法推导结论总结
4.8 梯度消失与梯度爆炸
4.8.1 梯度消失
4.8.2 梯度爆炸
4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题
4.9 使用BP神经网络解决异或问题
4.10 分类模型评估方法
4.10.1 准确率/精确率/召回率/F1值
4.10.2 混淆矩阵（Confusion Matrix）
4.11 独热编码
4.12 BP神经网络完成手写数字识别
4.13 Sklearn手写数字识别
4.14 参考文献
第5章 深度学习框架Tensorflow基础使用
5.1 Tensorflow介绍
5.1.1 Tensorflow简介
5.1.2 静态图和动态图机制Eager Execution
5.1.3 tf.keras
5.2 Tensorflow-cpu安装
5.2.1 Tensorflow-cpu在线安装
5.2.2 安装过程中可能遇到的问题
5.2.3 Tensorflow-cpu卸载
5.2.4 Tensorflow-cpu更新
5.2.5 Tensorflow-cpu指定版本的安装
5.3 Tensorflow-gpu安装
5.3.1 Tensorflow-gpu了解最新版本情况
5.3.2 Tensorflow-gpu安装CUDA
5.3.3 Tensorflow-gpu安装cuDNN库
5.3.4 Tensorflow-gpu在线安装
5.3.5 Tensorflow-gpu卸载
5.3.6 Tensorflow-gpu更新
5.4 Tensorflow基本概念
5.5 Tensorflow基础使用
5.6 手写数字图片分类任务
5.6.1 MNIST数据集介绍
5.6.2 softmax函数介绍
5.6.3 简单MNIST数据集分类模型——没有高级封装
5.6.4 简单MNIST数据集分类模型——keras高级封装
第6章 网络优化方法
6.1 交叉熵代价函数
6.1.1 均方差代价函数的缺点
6.1.2 引入交叉熵代价函数
6.1.3 交叉熵代价函数推导过程
6.1.4 softmax与对数似然代价函数
6.1.5 交叉熵程序
6.2 过拟合
6.2.1 什么是过拟合
6.2.2 抵抗过拟合的方法
6.3 数据增强
6.4 提前停止训练
6.5 Dropout
6.5.1 Dropout介绍
6.5.2 Dropout程序
6.6 正则化
6.6.1 正则化介绍
6.6.2 正则化程序
6.7 标签平滑
6.7.1 标签平滑介绍
6.7.2 标签平滑程序
6.8 优化器
6.8.1 梯度下降法
6.8.2 Momentum
6.8.3 NAG
6.8.4 Adagrad
6.8.5 Adadelta
6.8.6 RMRprop
6.8.7 Adam
6.8.8 优化器程序
6.9 参考文献
第7章 Tensorflow模型的保存和载入
7.1 Keras模型保存和载入
7.1.1 Keras模型保存
7.1.2 Keras模型载入
7.2 SavedModel模型保存和载入
7.2.1 SavedModel模型保存
7.2.2 SavedModel模型载入
7.3 单独保存模型的结构
7.3.1 保存模型的结构
7.3.2 载入模型结构
7.4 单独保存模型参数
7.4.1 保存模型参数
7.4.2 载入模型参数
7.5 ModelCheckpoint自动保存模型
7.6 Checkpoint模型保存和载入
7.6.1 Checkpoint模型保存
7.6.2 Checkpoint模型载入
第8章 卷积神经网络（CNN）
8.1 计算机视觉介绍
8.1.1 计算机视觉应用介绍
8.1.2 计算机视觉技术介绍
8.2 卷积神经网简介
8.2.1 BP神经网络存在的问题
8.2.2 局部感受野和权值共享
8.3 卷积的具体计算
8.4 卷积的步长
8.5 不同的卷积核
8.6 池化
8.7 Padding
8.8 常见的卷积计算总结
8.8.1 对1张图像进行卷积生成1张特征图
8.8.2 对1张图像进行卷积生成多张特征图
8.8.3 对多张图像进行卷积生成1张特征图
8.8.4 对多张图像进行卷积生成多张特征图
8.9 经典的卷积神经网络
8.10 卷积神经网络应用于MNIST数据集分类
8.11 识别自己写的数字图片
8.12 CIFAR-10数据集分类
8.13 参考文献
第9章 序列模型
9.1 序列模型应用
9.2 循环神经网络（RNN）
9.2.1 RNN介绍
9.2.2 Elman network和Jordan network
9.3 RNN的不同架构
9.3.1 一对一架构
9.3.2 多对一架构
9.3.3 多对多架构
9.3.4 一对多架构
9.3.5 Seq2Seq架构
9.4 传统RNN的缺点
9.5 长短时记忆网络（LSTM）
9.6 Peephole LSTM和FC-LSTM
9.6.1 Peephole LSTM介绍
9.6.2 FC-LSTM介绍
9.7 其他RNN模型
9.7.1 门控循环单元（GRU）
9.7.2 双向RNN
9.7.3 堆叠的双向RNN
9.8 LSTM网络应用于MNIST数据集分类
9.9 参考文献
第10章 经典图像识别模型介绍（上）
10.1 图像数据集
10.1.1 图像数据集介绍
10.1.2 ImageNet的深远影响
10.1.3 ImageNet Challenge历年优秀作品
10.2 AlexNet
10.3 VGGNet
10.4 GoogleNet
10.4.1 1×1卷积介绍
10.4.2 Inception结构
10.4.3 GoogleNet网络结构
10.5 Batch Normalization
10.5.1 Batch Normalization提出背景
10.5.2 数据标准化（Normalization）
10.5.3 Batch Normalization模型训练阶段
10.5.4 Batch Normalization模型预测阶段
10.5.5 Batch Normalization作用分析
10.6 ResNet
10.6.1 ResNet背景介绍
10.6.2 残差块介绍
10.6.3 ResNet网络结构
10.6.4 ResNet-V2
10.7 参考文献
第11章 经典图像识别模型介绍（下）
11.1 Inception模型系列
11.1.1 Inception-v2/v3优化策略
11.1.2 Inception-v2/v3模型结构
11.1.3 Inception-v4和Inception-ResNet介绍
11.2 ResNeXt
11.2.1 分组卷积介绍
11.2.2 ResNeXt中的分组卷积
11.2.3 ResNeXt的网络结构
11.3 SENet
11.3.1 SENet介绍
11.3.2 SENet结果分析
11.4 参考文献
第12章 图像识别项目实战
12.1 图像数据准备
12.1.1 数据集介绍
12.1.2 数据集准备
12.1.3 切分数据集程序
12.2 AlexNet图像识别
12.3 VGGNet图像识别
12.4 函数式模型
12.4.1 函数式模型介绍
12.4.2 使用函数式模型进行MNIST图像识别
12.5 模型可视化
12.5.1 使用plot_model进行模型可视化
12.5.2 plot_model升级版
12.6 GoogleNet图像识别
12.7 Batch Normalization使用
12.8 ResNet图像识别
12.9 ResNeXt图像识别
12.10 SENet图像识别
12.11 使用预训练模型进行迁移学习
12.11.1 使用训练好的模型进行图像识别
12.11.2 使用训练好的模型进行迁移学习
12.11.3 载入训练好的模型进行预测
第13章 验证码识别项目实战
13.1 多任务学习介绍
13.2 验证码数据集生成
13.3 tf.data介绍
13.3.1 tf.data概述
13.3.2 使用tf.data完成多任务学习：验证码识别
13.4 使用自定义数据生成器完成验证码识别
13.4.1 使用自定义数据生成器完成模型训练
13.4.2 使用自定义数据生成器完成模型预测
13.5 挑战变长验证码识别
13.5.1 挑战变长验证码识别模型训练
13.5.2 挑战变长验证码识别模型预测
13.6 CTC算法
13.6.1 CTC算法介绍
13.6.2 贪心算法（Greedy Search）和集束搜索算法（Beam Search）
13.6.3 CTC存在的问题
13.6.4 CTC算法：验证码识别
第14章 自然语言处理（NLP）发展历程（上）
14.1 NLP应用介绍
14.2 从传统语言模型到神经语言模型
14.2.1 规则模型
14.2.2 统计语言模型
14.2.3 词向量
14.2.4 神经语言模型
14.3 word2vec
14.3.1 word2vec介绍
14.3.2 word2vec模型训练
14.3.3 word2vec训练技巧和可视化效果
14.4 CNN在NLP领域中的应用
14.5 RNN在NLP领域中的应用
14.6 Seq2Seq模型在NLP领域中的应用
14.7 Attention机制
14.7.1 Attention介绍
14.7.2 Bahdanau Attention介绍
14.7.3 Luong Attention介绍
14.7.4 谷歌机器翻译系统介绍
14.7.5 Attention机制在视觉和语音领域的应用
14.8 参考文献
第15章 自然语言处理（NLP）发展历程（下）
15.1 NLP新的开始：Transformer模型
15.1.1 Transformer模型结构和输入数据介绍
15.1.2 Self-Attention介绍
15.1.3 Multi-Head Attention介绍
15.1.4 Layer Normalization介绍
15.1.5 Decoder结构介绍
15.1.6 Decoder中的Multi-Head Attention和模型训练
15.2 BERT模型
15.2.1 BERT模型介绍
15.2.2 BERT模型训练
15.2.3 BERT模型应用
15.3 参考文献
第16章 NLP任务项目实战
16.1 一维卷积英语电影评论情感分类项目
16.1.1 项目数据和模型说明
16.1.2 一维卷积英语电影评论情感分类程序
16.2 二维卷积中文微博情感分类项目
16.3 双向LSTM中文微博情感分类项目
16.4 堆叠双向LSTM中文分词标注项目
16.4.1 中文分词标注模型训练
16.4.2 维特比算法
16.4.3 中文分词标注模型预测
16.5 最新的一些激活函数介绍
16.5.1 Leaky ReLU
16.5.2 ELU
16.5.3 SELU
16.5.4 GELU
16.5.5 Swish
16.6 BERT模型的简单使用
16.6.1 安装tf2-bert模块并准备预训练模型
16.6.2 使用BERT模型进行文本特征提取
16.6.3 使用BERT模型进行完形填空
16.7 BERT电商用户多情绪判断项目
16.7.1 项目背景介绍
16.7.2 模型训练
16.7.3 模型预测
16.8 参考文献
第17章 音频信号处理
17.1 深度学习在声音领域的应用
17.2 MFCC和Mel Filter Banks
17.2.1 音频数据采集
17.2.2 分帧加窗
17.2.3 傅里叶变换
17.2.4 梅尔滤波器组
17.2.5 梅尔频率倒谱系数（MFCC）
17.3 语音分类项目
17.3.1 librosa介绍
17.3.2 音频分类项目——模型训练
17.3.3 音频分类项目——模型预测
第18章 图像风格转换
18.1 图像风格转换实现原理
18.1.1 代价函数的定义
18.1.2 格拉姆矩阵介绍
18.2 图像风格转换项目实战
18.3 遮挡图像风格转换项目实战
18.4 参考文献
第19章 生成对抗网络
19.1 生成对抗网络的应用
19.2 DCGAN介绍
19.3 手写数字图像生成
19.4 参考文献
第20章 模型部署
20.1 Tensorflow Serving环境部署
20.2 运行客户端和服务器程序
20.2.1 准备SavedModel模型
20.2.2 启动Tensorflow Serving服务器程序
20.2.3 Tensorflow Serving客户端gRPC程序
20.2.4 Tensorflow Serving客户端REST API程序
专业术语汇总
结束语
封底
深度学习从0到1是2021年由电子工业出版社出版,作者覃秉丰。
得书感谢您对《深度学习从0到1》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
