Python深度學習實用案例

目錄

下載源碼

第1章掀開深度學習的面紗

1．1深度學習是什麽

1．1．1深度學習的基本思想

1．1．2深度學習和淺層學習

1．1．3深度學習與神經網絡

1．1．4深度學習的訓練過程

1．2機器學習與深度學習

1．2．1機器學習的算法流程

1．2．2機器學習算法建模

1．2．3機器學習任務

1．2．4深度學習算法流程

1．3深度學習的應用領域與架構

1．3．1深度學習的應用領域

1．3．2深度學習相關框架

1．3．3深度學習實際應用

第2章神經網絡的數學基礎

2．1認識神經網絡

2．2神經網絡的數據表示

2．2．1標量

2．2．2向量

2．2．3矩陣

2．2．43D張量與更高維張量

2．2．5關鍵屬性

2．2．6操作張量

2．2．7數據批量

2．2．8現實數據張量

2．3張量運算

2．3．1張量的創建

2．3．2索引和切片訪問張量中的數據

2．3．3逐元素運算

2．3．4張量變形

2．3．5廣播

2．3．6張量運算的幾何解釋

2．4梯度優化

2．4．1導數

2．4．2梯度

2．4．3反向傳播算法

2．5神經網絡剖析

2．5．1層

2．5．2模型

2．5．3損失函數與優化器

2．6Keras介紹

2．6．1Keras的工作方式

2．6．2Keras的設計原則

2．6．3Keras深度學習鏈接庫特色

2．6．4使用Keras創建神經網絡

2．6．5使用Keras實現二分類問題

2．6．6使用Keras處理多分類問題

2．6．7使用Keras實現預測房價問題

第3章機器學習的基礎

3．1機器學習概述

3．1．1機器學習的歷程

3．1．2機器學習的4個分支

3．1．3機器學習的步驟

3．2過擬合和欠擬合

3．2．1減小模型大小

3．2．2添加權重正則化

3．2．3添加dropout正則化

3．3監督學習

3．3．1線性模型

3.3.2邏輯回歸

3.3.3支持向量機

3.3.4Adaboost算法

3.3.5決策樹

3.3.6隨機森林

3.4數據預處理

3.4.1數據預處理概述

3.4.2數據清理

3.4.3數據集成

3.4.4數據變換

3.4.5數據歸約

3.4.6Python的數據預處理函數

第4章神經網絡分析與應用

4.1單層感知器

4.1.1分類特徵表示

4.1.2單層感知器概述

4.1.3多層神經網絡

4.2激活函數

4.2.1sigmoid激活函數

4.2.2tanh激活函數

4.2.3ReLU激活函數

4.2.4ReLU6激活函數

4.2.5Leaky ReLU激活函數

4.2.6softmax激活函數

4.2.7ELU激活函數

4.2.8Swish激活函數

4.2.9Mish激活函數

4.2.10Maxout激活函數

4.3解決XOR問題

4.4優化算法

4.4.1梯度下降法

4.4.2AdaGrad算法

4.4.3RMSProp算法

4.4.4AdaDelta算法

4.4.5Adam算法

4.4.6各優化方法實現

4.4.7無約束多維極值 

第5章計算視覺分析與應用

5.1從全連接到捲積

5.2捲積神經網絡

5.2.1捲積計算過程

5.2.2感受野

5.2.3輸出特徵尺寸計算

5.2.4全零填充

5.2.5批標準化

5.2.6池化

5.2.7舍棄

5.3現代經典網絡

5.3.1LeNet網絡

5.3.2AlexNet網絡

5.3.3VGGNet網絡

5.3.4NiN

5.3.5Google Inception Net網絡

5.3.6ResNet網絡

5.3.7DenseNet網絡

5.4捲積神經網絡CIFAR10數據集分類

第6章文本和序列分析與應用

6.1處理文本數據

6.1.1單詞和字符的onehot編碼

6.1.2使用詞嵌入

6.2循環神經網絡

6.2.1循環神經網絡概述

6.2.2Keras中的循環層

6.2.3RNN的改進算法

6.3ACF和PACF

6.3.1截尾與拖尾

6.3.2自回歸過程

6.3.3移動平均過程

6.4循環神經網絡的應用

6.4.1溫度預測

6.4.2數據準備

6.4.3基準方法

6.4.4基本的機器學習方法

6.4.5第一個循環網絡基準

6.4.6使用dropout降低過擬合

6.4.7循環層堆疊

6.4.8使用雙向RNN

第7章目標檢測的分析與應用

7.1目標檢測概述

7.1.1傳統目標檢測

7.1.2基於深度學習的目標檢測

7.1.3目標檢測的未來

7.1.4目標檢測面臨的挑戰

7.2目標檢測法

7.2.1選擇性搜索算法

7.2.2保持多樣性的策略

7.2.3錨框實現

7.2.4多尺度目標檢測

7.3典型的目標檢測算法

7.3.1RCNN算法

7.3.2Fast RCNN算法

7.3.3Faster RCNN算法

7.3.4RPN算法

7.3.5YOLO算法

7.3.6SSD算法

第8章生成式深度學習分析與應用

8.1使用LSTM生成文本

8.1.1如何生成序列數據

8.1.2採樣策略

8.2DeepDream算法

8.2.1DeepDream算法原理

8.2.2DeepDream算法流程

8.2.3DeepDream算法實現

8.3風格遷移

8.3.1風格遷移定義

8.3.2風格遷移方法

8.3.3風格遷移實例

8.4深入理解自編碼器

8.4.1自編碼器

8.4.2欠完備自編碼器

8.4.3正則自編碼

8.5生成對抗網絡

8.5.1GAN原理

8.5.2GAN實現

第9章人臉檢測分析與應用

9.1KLT

9.1.1光流

9.1.2KLT算法

9.2CAMShift跟蹤目標

9.2.1MeanShift算法

9.2.2CAMShift算法

9.3OpenCV實現人臉識別

9.3.1Haar級聯實現人臉檢測

9.3.2級聯實現實時人臉檢測與人臉身份識別

9.4HOG識別微笑

9.4.1HOG原理

9.4.2HOG實例應用

9.5捲積神經網絡實現人臉識別微笑檢測

9.6MTCNN算法實現人臉檢測

第10章強化學習分析與應用

10.1強化學習的特點與要素

10.2Q學習

10.2.1Q學習的原理

10.2.2Q學習經典應用

10.3深度Q學習

10.3.1經驗回放

10.3.2回合函數的近似法

10.3.3半梯度下降法

10.3.4目標網絡

10.3.5相關算法

10.3.6訓練算法

10.3.7深度Q學習的應用

10.4雙重深度Q網絡

10.5對偶深度Q網絡

10.6深度Q網絡經典應用

參考文獻