Keras深度学与经网络

目录 

第１章 人工智能导论

任务 1．1：了解人工智能发展历程

人工智能的发展历程

任务 1．2：理解人工智能、机器学习、深度学习．

1．2．1 人工智能，机器学习和深度学习

1．2．2 深度学习的发展

任务 1．3：了解深度学习的应用情况

1．3．1 深度学习的应用情况

本章小结

本章习题

第 2 章 深度学习流程

任务 2．1：什么是机器学习

2．1．1 机器学习

2．1．2 机器如何学习

任务 2．2：理解回归与分类

2．2．1 回归

2．2．2 分类

任务 2．3：了解深度学习工作过程

深度学习工作过程

本章小结

本章习题

第 3 章 神经网络基础

任务 3．1：什么是人工神经元

3．1．1 生物神经元

3．1．2 人工神经元

任务 3．2：理解激活函数的意义

3．2．1 激活函数的意义

3．2．2 激活函数种类

任务 3．3：掌握基础的神经网络结构

3．3．1 感知机模型

3．3．2 全连接神经网络

任务 3．4：了解什么是损失函数

3．4．1 损失函数的意义

3．4．2 损失函数的种类

本章小结

本章习题

第 4 章 反向传播原理．

任务 4．1：计算神经网络的输出

前向传播计算

任务 4．2：掌握反向传播算法

4．2．1 反向传播算法的意义

4．2．2 反向传播算法的计算

任务 4．3：掌握梯度下降算法

4．3．1 梯度下降概述

4．3．2 梯度下降的形式

4．3．3 学习率的作用

任务 4．4：使用 Python 实现反向传播算法

反向传播的 Python 实现

本章小结

本章习题

第 5 章 Keras 与环境配置

任务 5．1：深度学习开发环境的配置

5．1．1 Python 开发环境搭建

5．1．2 Keras 与 TensorFlow 安装

任务 5．2：快速开始 Keras

5．2．1 为什么选择 Keras

5．2．2 快速开始 Keras

任务 5．3：掌握顺序模型 Sequential API

5．3．1 Sequential API

任务 5．4：认识函数式模型 Funtional API

Funtional API

本章小结

本章习题

第 6 章 深度神经网络手写体识别

任务 6．1：理解 Softmax 回归模型

6．1．1 Softmax 回归模型

6．1．2 交叉熵损失函数

任务 6．2：使用手写体识别数据集 MNIST

图像分类数据集-MNIST

任务 6．3：深度神经网络解决图像分类问题

多层感知机结合 Softmax 完成手写体识别

任务 6．4：模型评估

6．4．1 选择一个可靠的模型

6．4．2 欠拟合和过拟合

本章小结

本章习题

第 7 章 神经网络优化

任务 7．1：范数正则化避免过拟合

范数正则化

任务 7．2：丢弃法正则化避免过拟合

丢弃法

任务 7．3：掌握改进的优化算法

7．3．1 深度学习与优化

7．3．2 小批量随机梯度下降算法改进

本章小结

本章习题

第 8 章 卷积神经网络

任务 8．1：初识卷积神经网络

8．1．1 卷积概述

8．1．2 与全连接网络对比

任务 8．2：卷积运算

8．2．1 卷积核

8．2．2 填充和步幅

8．2．3 多通道卷积

8．2．4 池化层

任务 8．3：LeNet 实现物体分类

8．3．1 LeNet-开山之作

8．3．2 LeNet 进行物体分类

本章小结

本章习题

第 9 章 卷积神经网络经典结构

任务 9．1：训练深度卷积神经网络

9．1．1 AlexNet

9．1．2 图像增广

9．1．3 实现 AlexNet

任务 9．2：进一步增加网络的深度

9．2．1 VGG 系列

9．2．2 应用 VGG16 提取特征

任务 9．3：认识并行结构的卷积网络

9．3．1 GoogLeNet

9．3．2 Inception 结构块

9．3．3 1×1 卷积核

9．3．4 GoogLeNet 结构

任务 9．4：把网络深度提升至上百层

9．4．1 深度残差网络

9．4．2 稠密连接网络

本章小结

本章习题

第 10 章 循环神经网络

任务 10．1：对时序数据建模

10．1．1 时序数据

10．1．2 循环神经网络

任务 10．2：增加循环神经网络的记忆

10．2．1 长短期记忆网络原理

10．2．2 Keras 实现 LSTM

任务 10．3：优化长短期记忆网络

10．3．1 重置门与更新门

本章小结

本章习题