Python 深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案

图书标准信息

• 作者 英德拉.丹.巴克 著；程国建 译
• 出版社 机械工业出版社
• 出版时间 2018-06
• 版次 1
• ISBN 9787111598725
• 定价 79.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸

【内容简介】

本书以自上而下和自下而上的方法来展示针对不同领域实际问题的深度学习解决方案，包括图像识别、自然语言处理、时间序列预测和机器人操纵等。还讨论了采用诸如TensorFlow、PyTorch、Keras和CNTK等流行的深度学习开源框架用于实际问题的解决方案及其优缺点。本书内容包括：用于深度学习的编程环境、GPU计算和云端解决方案；前馈神经网络与卷积神经网络；循环与递归神经网络；强化学习与生成对抗网络；深度学习用于计算机视觉、自然语言处理、语音识别、视频分析、时间序列预测、结构化数据分析以及游戏智能体（Agents）和机器人操控等。后讨论了深度学习的超参数选择和神经网络的内在结构以及预训练模型的使用技巧等。

【目录】

原书前言

第 1章　编程环境、GPU计算、云解决方案和深度学习框架 //1 

1.1　简介 //1 

1.2　搭建一个深度学习环境 //2 

1.3　在 AWS上启动实例 //2 

1.4　在 GCP上启动实例 //3 

1.5　安装 CUDA和 cuDNN //4 

1.6　安装 Anaconda和库文件 //6 

1.7　连接服务器上的 Jupyter Notebooks //7 

1.8　用 TensorFlow构建最先进的即用模型 //8 

1.9　直观地用 Keras建立网络 //10 

1.10　使用 PyTorch的 RNN动态计算图 //12 

1.11　用 CNTK实现高性能模型 //14 

1.12　使用 MXNet构建高效的模型 //15 

1.13　使用简单、高效的 Gluon编码定义网络 //17

第 2章　前馈神经网络 //19 

2.1　简介 //19 

2.2　理解感知器 //19 

2.3　实现一个单层神经网络 //23 

2.4　构建一个多层神经网络 //27 

2.5　开始使用激活函数 //30 

2.6　关于隐层和隐层神经元的实验 //35 

2.7　实现一个自动编码器 //38 

2.8　调整损失函数 //41 

2.9　测试不同的优化器 //44 

2.10　使用正则化技术提高泛化能力 //47 

2.11　添加 Dropout以防止过拟合 //51

第 3章　卷积神经网络 //56 

3.1　简介 //56 

3.2　开始使用滤波器和参数共享 //56 

3.3　应用层合并技术 //60 

3.4　使用批量标准化进行优化 //62 

3.5　理解填充和步长 //66 

3.6　试验不同类型的初始化 //72 

3.7　实现卷积自动编码器 //76 

3.8　将一维 CNN应用于文本 //79

第 4章　递归神经网络 //81 

4.1　简介 //81 

4.2　实现一个简单的 RNN //82 

4.3　添加 LSTM //84 

4.4　使用 GRU //86 

4.5　实现双向 RNN //89 

4.6　字符级文本生成 //91

第 5章　强化学习 //95 

5.1　简介 //95 

5.2　实现策略梯度 //95 

5.3　实现深度Q学习算法 //102

第 6章　生成对抗网络 //109 

6.1　简介 //109 6.2　了解 GAN //109 

6.3　实现 DCGAN //112 

6.4　使用 SRGAN来提高图像分辨率 //117

第 7章　计算机视觉 //125 

7.1　简介 //125 

7.2　利用计算机视觉技术增广图像 //125 

7.3　图像中的目标分类 //130 

7.4　目标在图像中的本地化 //134 

7.5　实时检测框架 //139 

7.6　用 U-net将图像分类 //139 

7.7　语义分割与场景理解 //143 

7.8　寻找人脸面部关键点 //147 

7.9　人脸识别 //151 

7.10　将样式转换为图像 //157

第 8章　自然语言处理 //162 

8.1　简介 //162 

8.2　情绪分析 //162 

8.3　句子翻译 //165 

8.4　文本摘要 //169

第 9章　语音识别和视频分析 //174 

9.1　简介 //174 

9.2　从零开始实现语音识别流程 //174 

9.3　使用语音识别技术辨别讲话人 //177 

9.4　使用深度学习理解视频 //181

第 10章　时间序列和结构化数据 //185 

10.1　简介 //185 

10.2　使用神经网络预测股票价格 //185 

10.3　预测共享单车需求 //189 

10.4　使用浅层神经网络进行二元分类 //192

第 11章　游戏智能体和机器人 //194 

11.1　简介 //194 

11.2　通过端到端学习来驾驶汽车 //194 

11.3　通过深度强化学习来玩游戏 //199 

11.4　用 GA优化超参数 //205

第 12章　超参数选择、调优和神经网络学习 //211 

12.1　简介 //211 

12.2　用 TensorBoard和 Keras可视化训练过程 //211 

12.3　使用批量和小批量工作 //215 

12.4　使用网格搜索调整参数 //219 

12.5　学习率和学习率调度 //221 

12.6　比较优化器 //224 

12.7　确定网络的深度 //227 

12.8　添加 Dropout以防止过拟合 //227 

12.9　通过数据增广使模型更加鲁棒 //232 

12.10　利用 TTA来提高精度 //234

第 13章　网络内部构造 //235 

13.1　简介 //235 

13.2　用 TensorBoard可视化训练过程 //235 

13.3　用 TensorBoard可视化网络结构 //239 

13.4　分析网络权重等 //239 

13.5　冻结层 //244 

13.6　存储网络结构并训练权重 //246

第 14章　预训练模型 //250 

14.1　简介 //250 

14.2　使用 GoogLeNet/Inception进行大规模视觉识别 //250 

14.3　用 ResNet提取瓶颈特征 //252 

14.4　对新类别使用预训练的 VGG模型 //253 

14.5　用 Xception细调 //256