深度学习:微课视频版9787302670728

第一部分理 论 基 础

第1章深度学习简介

1.1计算机视觉

1.1.1定义

1.1.2基本任务

1.1.3传统方法

1.1.4仿生学与深度学习

1.1.5现代深度学习

1.1.6小结

1.2自然语言处理

1.2.1自然语言处理的基本问题

1.2.2传统方法与神经网络方法的比较

1.2.3发展趋势

1.3强化学习

1.3.1什么是强化学习

1.3.2强化学习算法简介

1.3.3强化学习的应用

小结

习题

第2章深度学习框架及其对比

2.1PyTorch

2.1.1PyTorch简介

2.1.2PyTorch的特点

2.1.3PyTorch概述

2.2TensorFlow

2.2.1TensorFlow简介

2.2.2数据流图

2.2.3TensorFlow的特点

2.2.4TensorFlow概述

2.3PaddlePaddle

2.3.1PaddlePaddle简介

2.3.2PaddlePaddle的特点

2.3.3PaddlePaddle的应用

2.4三者的比较

小结

习题

第3章机器学习基础知识

3.1机器学习概述

3.1.1关键术语

3.1.2机器学习的分类

3.1.3机器学习的模型构造过程

3.2监督学习

3.2.1线性回归

3.2.2Logistic回归

3.2.3最小近邻法

3.2.4线性判别分析法

3.2.5朴素贝叶斯分类算法

3.2.6决策树分类算法

3.2.7支持向量机分类算法

3.3非监督学习

3.3.1划分式聚类方法

3.3.2层次化聚类方法

3.3.3基于密度的聚类方法

3.4强化学习

3.4.1强化学习、监督学习和非监督学习

3.4.2强化学习问题描述

3.4.3强化学习问题分类

3.5神经网络和深度学习

3.5.1感知器模型

3.5.2前馈神经网络

3.5.3卷积神经网络

3.5.4其他类型结构的神经网络

3.6案例： 银行贷款用户筛选

小结

习题

第4章回归模型

4.1线性回归

4.2Logistic回归

4.3用PyTorch实现Logistic回归

4.3.1数据准备

4.3.2线性方程

4.3.3激活函数

4.3.4损失函数

4.3.5优化算法

4.3.6模型可视化

小结

习题

第5章神经网络基础

5.1基础概念

5.2感知器

5.2.1单层感知器

5.2.2多层感知器

5.3BP神经网络

5.3.1梯度下降

5.3.2后向传播

5.4Dropout正则化

5.5批标准化

5.5.1Batch Normalization的实现方式

5.5.2Batch Normalization的使用方法

小结

习题

第6章卷积神经网络与计算机视觉

6.1卷积神经网络的基本思想

6.2卷积操作

6.3池化层

6.4卷积神经网络

6.5经典网络结构

6.5.1VGG网络

6.5.2InceptionNet

6.5.3ResNet

6.6用PyTorch进行手写数字识别

小结

习题

第7章神经网络与自然语言处理

7.1语言建模

7.2基于多层感知器的架构

7.3基于循环神经网络的架构

7.3.1循环单元

7.3.2通过时间后向传播

7.3.3带有门限的循环单元

7.3.4循环神经网络语言模型

7.3.5神经机器翻译

7.4基于卷积神经网络的架构

7.5基于Transformer的架构

7.5.1多头注意力

7.5.2非参位置编码

7.5.3编码器单元与解码器单元

7.6表示学习与预训练技术

7.6.1词向量

7.6.2加入上下文信息的特征表示

7.6.3网络预训练

小结

习题

第二部分实验

第8章操作实践

8.1PyTorch操作实践

8.1.1PyTorch安装

8.1.2Tensor对象及其运算

8.1.3Tensor的索引和切片

8.1.4Tensor的变换、拼接和拆分

8.1.5PyTorch的Reduction操作

8.1.6PyTorch的自动微分

8.2TensorFlow操作实践

8.2.1TensorFlow安装

8.2.2Tensor对象及其运算

8.2.3Tensor的索引和切片

8.2.4Tensor的变换、拼接和拆分

8.2.5TensorFlow的Reduction操作

8.2.6TensorFlow的自动微分

8.3PaddlePaddle操作实践

8.3.1PaddlePaddle安装

8.3.2Tensor的创建和初始化

8.3.3Tensor的常见基础操作

8.3.4自动微分

小结

第9章综合项目实验

9.1计算机视觉

9.1.1一个通用的图像分类模型

9.1.2两阶段目标检测和语义分割

9.1.3人物图像处理

9.1.4调用远程服务

9.1.5动漫图像生成

9.2自然语言处理

9.2.1垃圾邮件分类

9.2.2词嵌入技术

9.2.3文本生成与多轮对话

9.2.4语音识别

9.3强化学习

9.4可视化技术

9.4.1使用TensorBoard可视化训练过程

9.4.2卷积核可视化

9.4.3注意力机制可视化

第三部分案例

第10章案例： 基于ResNet的跨域数据集图像分类

10.1迁移学习

10.2数据集介绍与预处理

10.2.1数据集介绍

10.2.2数据预处理

10.3数据加载与模型训练

10.3.1数据集加载

10.3.2模型训练

10.4运行结果

小结

第11章案例： 基于YOLO V3的安全帽佩戴检测

11.1数据准备

11.1.1数据采集与标注

11.1.2模型和框架选择

11.1.3数据格式转换

11.2模型构建、训练和测试

11.2.1YOLO系列模型

11.2.2模型训练

11.2.3测试与结果

小结

第12章案例： 基于PaddleOCR的车牌识别

12.1车牌识别简介

12.1.1车牌识别应用及发展史

12.1.2基于深度学习的车牌识别技术

12.2基于PaddleOCR的车牌识别实现

12.2.1PaddleOCR简介与环境准备

12.2.2CCPD数据集介绍

12.2.3数据集准备与预处理

12.2.4模型选择与训练

小结

第13章案例： 基于PaddleSeg的动物图片语义分割

13.1语义分割应用简介

13.2基于PaddleSeg的语义分割实现

13.2.1PaddleSeg简介与环境准备

13.2.2OxfordIIIT Pet数据集介绍

13.2.3模型训练

13.2.4模型的评估与测试

小结

第14章案例： 基于SRCNN图像超分辨率

14.1SRCNN介绍

14.2技术方案及核心代码

14.2.1模型训练要点

14.2.2构造函数

14.2.3构建SRCNN的结构

14.2.4模型训练

小结

第15章案例： 基于TensorFlowTTS的中文语音合成

15.1TTS简介

15.1.1语音合成技术

15.1.2TTS技术发展史和基本原理

15.1.3基于深度学习的TTS

15.2基于TensorFlowTTS的语音合成实现

15.2.1TensorFlowTTS简介与环境准备

15.2.2算法简介

15.2.3代码实现与结果展示

第16章案例： 基于LSTM的原创音乐生成

16.1样例背景介绍

16.1.1循环神经网络

16.1.2Music 21

16.1.3TensorFlow

16.2项目结构设计

16.3实验步骤

16.3.1搭建实验环境

16.3.2观察并分析数据

16.3.3数据预处理

16.3.4生成音乐

16.4成果检验

第17章案例： 基于Fast RCNN的视频问答

17.1视频问答与联合嵌入模型

17.2准备工作

17.2.1下载数据

17.2.2软件包和配置文件

17.3基础模块实现

17.3.1FCNet

17.3.2SimpleClassifier模块

17.4问题嵌入模块实现

17.4.1词嵌入

17.4.2RNN

17.5TopDown Attention模块实现

17.6VQA系统实现

17.7模型训练与可视化

17.7.1模型训练

17.7.2可视化

小结

附录A深度学习的数学基础

A.1线性代数

A.2概率论

参考文献

本书循序渐进地介绍了深度学习的基础知识与常用方法，全面细致地提供了深度学习操作的原理和在深度学习框架下的实践步骤。本书共分为三部分，理论基础、实验和案例。第一部分理论基础，包括第1~7章，主要介绍深度学习的基础知识、深度学习在不同领域的应用、不同深度学习框架的对比以及机器学习、神经网络等内容； 第二部分实验，包括第8~9章，主要讲解常用深度学习框架的基础以及计算机视觉、自然语言处理、强化学习和可视化技术领域的一些实验讲解。第三部分案例包括第10~17章，通过8个案例介绍深度学习在图像分类、目标检测、目标识别、图像分割、生成对抗、自然语言处理等方面的应用。

本书适合Python深度学习初学者、机器学习算法分析从业人员以及高等学校计算机科学、软件工程等相关专业的师生阅读。