电子书
内容简介
本书基于Python以及两个深度学习框架Keras与TensorFlow，讲述深度学习在实际项目中的应用。本书共10章，首先介绍线性回归模型、逻辑回归模型、Softmax多分类器，然后讲述全连接神经网络、神经网络模型的优化、卷积神经网络、循环神经网络，最后讨论自编码模型、对抗生成网络、深度强化学习。
章节目录
- 版权信息
- 版 权
- 内容提要
- 前 言
- 服务与支持
- 第一部分 基础知识
- 第1章 线性回归模型
- 1.1 线性回归详解
- 1.1.1 数据集的构建
- 1.1.2 线性回归模型的构建
- 1.1.3 损失函数详解
- 1.2 梯度下降算法
- 1.3 求损失函数的最小值
- 1.4 线性回归代码实战
- 1.4.1 线性回归模型的构建与训练
- 1.4.2 复杂线性回归模型的构建
- 1.4.3 使用正则项防止过拟合
- 1.5 线性回归项目实战
- 1.5.1 波士顿房价数据集简介
- 1.5.2 数据集特征值的标准化
- 1.5.3 线性回归模型的构建与训练
- 1.6 本章小结
- 第2章 逻辑回归模型
- 2.1 逻辑回归详解
- 2.1.1 Sigmoid函数
- 2.1.2 逻辑回归模型的工作原理
- 2.1.3 损失函数的构建
- 2.1.4 二元交叉熵函数的代码实战
- 2.1.5 求模型的最优参数
- 2.2 逻辑回归项目实战
- 2.2.1 泰坦尼克数据集简介
- 2.2.2 数据集的加载
- 2.2.3 模型的构建与训练
- 2.2.4 模型的评估
- 2.2.5 使用矩阵的方式加速模型的训练
- 2.3 逻辑回归模型与神经网络的联系
- 2.4 本章小结
- 第3章 Softmax多分类器
- 3.1 Softmax函数详解
- 3.2 Softmax多分类器详解
- 3.2.1 独热编码详解
- 3.2.2 Softmax多分类器工作原理
- 3.2.3 多元交叉熵函数详解
- 3.2.4 多元交叉熵函数的代码实战
- 3.3 数据集的预处理
- 3.3.1 MNIST数据集详解
- 3.3.2 数据集特征值的归一化
- 3.3.3 图片的扁平化
- 3.3.4 标签值的独热编码处理
- 3.4 Softmax多分类器实战
- 3.4.1 MNIST数据集的加载与预处理
- 3.4.2 Softmax多分类器模型的构建
- 3.4.3 Softmax多分类器模型的训练
- 3.5 本章小结
- 第二部分 进阶技术
- 第4章 全连接神经网络
- 4.1 深度学习与神经网络简介
- 4.2 全连接神经网络
- 4.3 激活函数
- 4.3.1 Sigmoid函数
- 4.3.2 tanh函数
- 4.3.3 ReLU函数
- 4.3.4 Softmax函数
- 4.4 模型参数的初始化
- 4.4.1 初始化为常数
- 4.4.2 随机初始化模型参数
- 4.4.3 模型参数初始化实战
- 4.5 模型的训练与损失函数
- 4.5.1 模型的训练过程
- 4.5.2 损失函数的定义
- 4.6 梯度下降算法
- 4.6.1 反向传播算法
- 4.6.2 3种梯度下降算法的计算方式
- 4.6.3 梯度下降优化算法
- 4.7 MNIST手写数字识别实战——分类项目
- 4.7.1 深度学习项目中数据集的划分
- 4.7.2 MNIST手写数字识别项目
- 4.8 房价数据回归分析——回归分析项目
- 4.9 本章小结
- 第5章 神经网络模型的优化
- 5.1 防止过拟合的方法
- 5.1.1 L1/L2正则化
- 5.1.2 增加训练集样本个数
- 5.1.3 Dropout的应用
- 5.1.4 早停法
- 5.2 批量标准化
- 5.3 CIFAR-10数据集分类项目实战
- 5.3.1 CIFAR-10数据集简介
- 5.3.2 模型的构建与训练
- 5.4 模型的使用、保存与加载
- 5.4.1 使用模型进行预测
- 5.4.2 保存训练好的模型
- 5.4.3 加载模型
- 5.5 Keras 中的函数式API
- 5.6 本章小结
- 第6章 卷积神经网络
- 6.1 卷积神经网络结构
- 6.2 应用CNN模型对MNIST数据集分类
- 6.2.1 图片的表示形式
- 6.2.2 MNIST数据集的分类
- 6.3 卷积层
- 6.3.1 卷积层的工作原理
- 6.3.2 实现卷积层的代码
- 6.3.3 补零
- 6.4 池化层
- 6.4.1 池化层的工作原理
- 6.4.2 池化层对图片的作用
- 6.5 应用CNN模型对CIFAR-10数据集图片分类
- 6.6 猫与狗数据集分类项目实战
- 6.6.1 猫与狗数据集简介
- 6.6.2 数据集的预处理
- 6.6.3 模型的构建与训练
- 6.7 经典的CNN模型
- 6.7.1 VGG网络模型
- 6.7.2 ResNet模型
- 6.7.3 Inception网络模型
- 6.8 迁移学习
- 6.8.1 迁移学习的原理
- 6.8.2 迁移学习项目实战
- 6.9 本章小结
- 第7章 循环神经网络
- 7.1 时间序列数据详解
- 7.2 自然语言数据的处理
- 7.2.1 词的向量化表示
- 7.2.2 词汇标记化
- 7.2.3 序列填充
- 7.2.4 嵌入层的原理与应用
- 7.3 情感分析项目
- 7.3.1 情感分析项目简介
- 7.3.2 数据集的处理
- 7.4 简单RNN
- 7.4.1 简单RNN的原理
- 7.4.2 简单RNN的应用
- 7.4.3 简单RNN项目实战
- 7.5 长短期记忆神经网络
- 7.5.1 长短期记忆神经网络的原理
- 7.5.2 长短期记忆神经网络的应用
- 7.6 门控循环神经网络
- 7.6.1 门控循环神经网络的原理
- 7.6.2 门控循环神经网络的应用
- 7.7 RNN进阶
- 7.7.1 RNN中防止过拟合的方式
- 7.7.2 叠加长短期记忆神经网络
- 7.7.3 双向长短期记忆神经网络
- 7.7.4 注意力模型
- 7.8 文本生成项目
- 7.9 某公司股票价格预测项目
- 7.9.1 数据集的预处理
- 7.9.2 模型的构建与训练
- 7.9.3 可视化预测的股票开盘价格与实际的股票开盘价格
- 7.10 自然语言处理技术新进展
- 7.10.1 迁移学习在自然语言处理中的应用
- 7.10.2 ELMo模型介绍与实战应用
- 7.10.3 BERT模型介绍与实战应用
- 7.10.4 GPT-2模型介绍
- 7.11 本章小结
- 第三部分 高级技术
- 第8章 自编码模型
- 8.1 自编码模型的原理详解
- 8.2 应用自编码模型对数据降维
- 8.3 应用自编码模型进行异常检测
- 8.3.1 异常检测的原理
- 8.3.2 检测信用卡异常交易
- 8.4 应用自编码模型对图片去噪
- 8.4.1 项目介绍
- 8.4.2 反卷积的原理与应用
- 8.4.3 上采样的原理与应用
- 8.4.4 实现图片去噪项目
- 8.5 本章小结
- 第9章 生成对抗网络
- 9.1 生成对抗网络的原理
- 9.1.1 生成对抗网络的工作原理简介
- 9.1.2 生成器与判别器的工作原理
- 9.1.3 生成对抗网络模型的训练
- 9.2 生成对抗网络模型的训练技巧
- 9.2.1 梯度值剪裁
- 9.2.2 批量标准化中的动量
- 9.3 项目实战
- 9.3.1 数据集介绍与加载
- 9.3.2 判别器模型的构建
- 9.3.3 生成器模型的构建
- 9.3.4 生成对抗网络模型的构建
- 9.3.5 生成对抗网络模型的训练
- 9.4 本章小结
- 第10章 深度强化学习
- 10.1 深度强化学习简介
- 10.2 深度强化学习详解
- 10.3 Deep Q-Learning算法
- 10.3.1 Q-Learning算法详解
- 10.3.2 Deep Q-Learning算法详解
- 10.3.3 Deep Q-Learning算法的应用
- 10.4 策略梯度算法
- 10.4.1 策略梯度算法原理详解
- 10.4.2 策略梯度算法项目实战
- 10.5 演员-评判家算法
- 10.5.1 演员-评判家算法原理详解
- 10.5.2 演员-评判家项目实战
- 10.6 本章小结
展开全部
Python深度学习与项目实战是2021年由人民邮电出版社出版,作者著。
版权说明：本电子书已获得正版授权，由出版社通过知传链发行。
得书感谢您对《Python深度学习与项目实战》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。
电子书
电子书
电子书