零基础入门Python深度学习
| 作者 |
| 刘文如 |
| 丛书名 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9787111643364 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 本书从基础知识开始讲解深度学习的原理和应用，包括该领域的发展、深度学习的入门知识、深度学习模型的理论、代码和实际应用中的优化。 本书共12章，主要内容包括深度学习基础、深度学习的环境准备、深度学习的知识准备、神经网络基础知识、使用Keras构建神经网络、神经网络的进一步优化、卷积神经网络、使用Keras构建卷积神经网络、卷积神经网络可视化、迁移学习、循环神经网络和使用Keras构建循环神经网络等。对于本书中介绍的深度学习模型，我们提供了实例代码供读者学习。 本书作为深度学习的入门书籍，适合希望从零开始了解深度学习技术，并且快速掌握深度学习理论和使用深度学习工具的学生和技术人员阅读。 |
| 目录 |
| 前言 第1章 深度学习入门 1 1.1 什么是深度学习 1 1.1.1 深度学习是一种特定类型的机器学习 2 1.1.2 深度学习是数学问题 3 1.1.3 深度学习是一个黑箱 5 1.2 深度学习的发展 6 1.3 认识当前的深度学习 7 1.3.1 为什么是现在 8 1.3.2 当数据成为“燃料” 8 1.3.3 深度学习的突破 10 1.4 深度学习的应用领域 12 1.4.1 深度学习适合做什么 12 1.4.2 深度学习的应用场景 14 1.5 如何入门深度学习 15 第2章 深度学习的环境准备 17 2.1 选择Python作为深度学习的编程语言 17 2.2 深度学习常用框架介绍 18 2.3 选择适合自己的框架 21 2.4 Python的安装 25 2.4.1 概述 25 2.4.2 安装Anaconda 26 2.4.3 使用conda进行环境管理和包管理 27 2.5 Keras的安装 29 2.5.1 什么是Keras 29 2.5.2 安装TensorFlow 30 2.5.3 安装Keras 31 第3章 深度学习的知识准备 32 3.1 概率论 33 3.1.1 什么是概率 33 3.1.2 概率分布 35 3.1.3 信息论 38 3.2 线性代数 40 3.2.1 矩阵 40 3.2.2 矩阵的运算 43 3.2.3 从矩阵中取值 45 3.2.4 相关术语 46 3.3 导数 47 3.3.1 什么是导数 48 3.3.2 链式法则 49 3.4 机器学习基础 50 3.4.1 监督学习 50 3.4.2 分类和回归 51 3.4.3 训练、验证和预测 53 第4章 神经网络 56 4.1 神经网络与深度学习 56 4.1.1 生物学中的神经网络 56 4.1.2 深度学习网络 58 4.2 前向传播算法 60 4.2.1 神经网络的表示 60 4.2.2 神经元的计算 61 4.2.3 激活函数 62 4.2.4 神经网络的前向传播 64 4.3 反向传播算法 67 4.3.1 神经网络的训练 68 4.3.2 损失函数 69 4.3.3 梯度下降 71 4.3.4 神经网络的反向传播 73 4.4 更好地训练神经网络 75 4.4.1 选择正确的损失函数 75 4.4.2 选择通用的激活函数 76 4.4.3 更合适的优化算法 76 4.4.4 选择合适的批量 77 4.4.5 参数初始化 78 第5章 使用Keras构建神经网络 80 5.1 Keras中的模型 81 5.2 Keras中的网络层 82 5.3 模型的编译 83 5.3.1 优化器 83 5.3.2 损失函数 84 5.3.3 性能评估 85 5.4 训练模型 85 5.5 使用训练好的模型 86 5.6 实例：手写体分类问题 86 5.7 Keras批量训练大量数据 92 5.8 在Keras中重复使用模型 97 第6章 神经网络的进一步优化 100 6.1 过拟合 100 6.2 梯度消失和梯度爆炸 106 6.3 局部最优 110 6.4 批量归一化 111 第7章 卷积神经网络 115 7.1 计算机视觉和图像识别 115 7.2 卷积神经网络基础 118 7.2.1 卷积神经网络的结构 118 7.2.2 卷积层 119 7.2.3 池化层 125 7.2.4 卷积神经网络的设计 126 7.3 为什么要使用卷积神经网络 128 7.4 图像处理数据集 130 7.5 CNN发展历程 133 7.5.1 AlexNet 134 7.5.2 VGG 136 7.5.3 Inception 138 7.5.4 ResNet 139 第8章 使用Keras构建卷积神经网络 144 8.1 Keras中的卷积层 144 8.2 Keras中的池化层 147 8.3 Keras中的全连接层 148 8.4 实例1：使用卷积神经网络处理手写体分类问题 148 8.5 实例2：重复使用已经训练好的卷积神经网络模型 152 8.6 图像的数据增强 158 8.6.1 使用ImageDataGenerator进行数据增强 158 8.6.2 使用增强数据进行模型训练 163 第9章 卷积神经网络可视化 166 9.1 概述 166 9.2 对神经网络进行可视化 168 9.2.1 可视化神经网络的中间层 168 9.2.2 可视化过滤器 173 9.3 对关注点进行可视化 176 9.3.1 显著图 177 9.3.2 类激活图 180 9.4 自动驾驶的应用 182 第10章 迁移学习 185 10.1 什么是迁移学习 185 10.2 为什么要使用迁移学习 186 10.3 迁移学习的适用性 187 10.4 在Keras中进行迁移学习 189 10.4.1 在MNIST上迁移学习的例子 190 10.4.2 迁移学习的适用情况 193 10.4.3 实例 194 第11章 循环神经网络 205 11.1 神经网络中的序列问题 205 11.2 循环神经网络的使用 207 11.2.1 输入/输出 207 11.2.2 前向传播 209 11.2.3 反向传播 213 11.3 长短期记忆网络 215 11.4 应用场景 217 第12章 使用Keras构建循环神经网络 221 12.1 Keras中的循环层 221 12.2 Keras中的嵌入层 224 12.3 IMDB实例 226 12.3.1 全连接网络 227 12.3.2 SimpleRNN 229 12.3.3 LSTM 231 12.3.4 双向循环神经网络 232 12.3.5 用了卷积层的循环网络结构 234 12.4 LSTM实例 237 12.4.1 深度学习中的时间序列问题 237 12.4.2 使用更多的历史信息 242 12.4.3 多个时间步长的预测 244 12.5 有状态的循环神经网络 247 12.5.1 字母预测问题 248 12.5.2 有状态的LSTM 252 |
有问题微信扫码联系