Python深度学习入门与实战9787121470875

第一部分 入门篇

1 深度学习概述

1.1 让机器学会学习

1.1.1 什么是人工智能

1.1.2 从数据中学习

1.1.3 数据表示

1.2 深度学习之“深度”

1.2.1 深度神经网络

1.2.2 神经网络的学习

1.3 深度学习的数据表示

1.3.1 标量、向量、矩阵与张量

1.3.2 现实世界中的张量数据

1.4 为什么要用深度学习

1.4.1 深度学习有何不同

1.4.2 深度学习的大众化

本章小结

2 神经网络入门

2.1 神经元

2.1.1 人工神经元

2.1.2 激活函数

2.2 多层神经网络

2.2.1 分类问题与独热编码

2.2.2 MNIST数据集

2.2.3 神经网络

2.2.4 神经网络的输出

2.2.5 softmax函数

2.3 神经网络的前向传播

2.3.1 各层间数据传递

2.3.2 多个样本情况

2.3.3 识别精度

2.4 监督学习与损失函数

2.4.1 监督学习

2.4.2 损失函数

2.5 梯度下降法

2.5.1 梯度下降

2.5.2 梯度的实现

2.5.3 梯度下降法的实现

2.6 学习算法的实现

2.6.1 两层神经网络模型

2.6.2 神经网络的训练

2.6.3 基于测试数据的评价

2.7 练习题

本章小结

3 神经网络的反向传播

3.1 反向传播的基础知识

3.2 反向传播的实现

3.2.1 ReLU层

3.2.2 sigmoid层

3.2.3 Linear层

3.2.4 softmax-with-Loss层

3.3 学习算法的实现

3.3.1 构建多层神经网络模型

3.3.2 随机梯度下降法

3.4 训练与预测

3.4.1 构建训练器

3.4.2 训练与推理

3.5 练习题

本章小结

4 改善神经网络

4.1 优化算法

4.1.1 动量法

4.1.2 AdaGrad

4.1.3 RMSprop

4.1.4 Adam

4.1.5 更新方法比较

4.1.6 改进训练器

4.2 数值稳定性和模型初始化

4.2.1 梯度消失和梯度爆炸

4.2.2 抑制梯度异常初始化

4.2.3 权重初始值的比较

4.3 正则化与规范化

4.3.1 过拟合与欠拟合

4.3.2 权值衰减

4.3.3 Dropout正则化

4.3.4 批量规范化

4.3.5 改进模型

4.4 练习题

本章小结

5 卷积神经网络

5.1 从全连接到卷积

5.1.1 卷积运算

5.1.2 填充

5.1.3 步幅

5.1.4 三维数据的卷积运算

5.2 卷积层

5.2.1 卷积计算

5.2.2 四维数组

5.2.3 基于im2col函数的展开

5.2.4 卷积层的实现

5.3 汇聚层

5.3.1 汇聚运算

5.3.2 汇聚层的实现

5.4 LeNet网络

5.4.1 构建模型

5.4.2 模型训练

5.4.3 预测

5.5 卷积神经网络的可视化

5.6 练习题

本章小结

6 深度学习实践

6.1 深度学习的工作流程

6.1.1 定义任务

6.1.2 开发模型

6.1.3 部署模型

6.2 训练一个图像分类模型

6.2.1 创建图像数据集

6.2.2 数据预处理

6.2.3 构建并训练模型

6.3 文本分类

6.3.1 准备文本数据

6.3.2 构建网络

6.4 练习题

本章小结

第二部分 实战篇

7 卷积神经网络进阶

7.1 深度学习框架

7.1.1 神经网络剖析

7.1.2 实现AlexNet网络

7.1.3 数据预处理

7.1.4 网络训练

7.2 数据增强

7.2.1 使用数据增强

7.2.2 训练网络

7.3 使用块的网络（VGG）

7.3.1 VGG块

7.3.2 VGG概述

7.3.3 训练模型

7.4 残差网络

7.4.1 残差块

7.4.2 ResNet

7.4.3 训练模型

7.5 微调模型

7.6 练习题

本章小结

8 目标检测

8.1 目标检测的基本概念

8.1.1 目标定位

8.1.2 正样本制作

8.1.3 交并比

8.1.4 先验框

8.1.5 非极大值抑制

8.2 YOLOv3

8.2.1 基本框架

8.2.2 产生候选区域

8.2.3 特征提取

8.2.4 解码预测结果

8.2.5 损失函数

8.3 训练自己的YOLOv3模型

8.3.1 数据集的准备

8.3.2 数据集的处理