零基礎入門Python深度學習

前言
第1章 深度學習入門1
1.1 什么是深度學習1
1.1.1 深度學習是一種特定類型的機器學習2
1.1.2 深度學習是數(shù)學問題3
1.1.3 深度學習是一個黑箱5
1.2 深度學習的發(fā)展6
1.3 認識當前的深度學習7
1.3.1 為什么是現(xiàn)在8
1.3.2 當數(shù)據(jù)成為“燃料”8
1.3.3 深度學習的突破10
1.4 深度學習的應用領域12
1.4.1 深度學習適合做什么12
1.4.2 深度學習的應用場景14
1.5 如何入門深度學習15
第2章 深度學習的環(huán)境準備17
2.1 選擇Python作為深度學習的編程語言17
2.2 深度學習常用框架介紹18
2.3 選擇適合自己的框架21
2.4 Python的安裝25
2.4.1 概述25
2.4.2 安裝Anaconda26
2.4.3 使用conda進行環(huán)境管理和包管理27
2.5 Keras的安裝29
2.5.1 什么是Keras29
2.5.2 安裝TensorFlow30
2.5.3 安裝Keras31
第3章 深度學習的知識準備32
3.1 概率論33
3.1.1 什么是概率33
3.1.2 概率分布35
3.1.3 信息論38
3.2 線性代數(shù)40
3.2.1 矩陣40
3.2.2 矩陣的運算43
3.2.3 從矩陣中取值45
3.2.4 相關(guān)術(shù)語46
3.3 導數(shù)47
3.3.1 什么是導數(shù)48
3.3.2 鏈式法則49
3.4 機器學習基礎50
3.4.1 監(jiān)督學習50
3.4.2 分類和回歸51
3.4.3 訓練、驗證和預測53
第4章 神經(jīng)網(wǎng)絡56
4.1 神經(jīng)網(wǎng)絡與深度學習56
4.1.1 生物學中的神經(jīng)網(wǎng)絡56
4.1.2 深度學習網(wǎng)絡58
4.2 前向傳播算法60
4.2.1 神經(jīng)網(wǎng)絡的表示60
4.2.2 神經(jīng)元的計算61
4.2.3 激活函數(shù)62
4.2.4 神經(jīng)網(wǎng)絡的前向傳播64
4.3 反向傳播算法67
4.3.1 神經(jīng)網(wǎng)絡的訓練68
4.3.2 損失函數(shù)69
4.3.3 梯度下降71
4.3.4 神經(jīng)網(wǎng)絡的反向傳播73
4.4 更好地訓練神經(jīng)網(wǎng)絡75
4.4.1 選擇正確的損失函數(shù)75
4.4.2 選擇通用的激活函數(shù)76
4.4.3 更合適的優(yōu)化算法76
4.4.4 選擇合適的批量77
4.4.5 參數(shù)初始化78
第5章 使用Keras構(gòu)建神經(jīng)網(wǎng)絡80
5.1 Keras中的模型81
5.2 Keras中的網(wǎng)絡層82
5.3 模型的編譯83
5.3.1 優(yōu)化器83
5.3.2 損失函數(shù)84
5.3.3 性能評估85
5.4 訓練模型85
5.5 使用訓練好的模型86
5.6 實例：手寫體分類問題86
5.7 Keras批量訓練大量數(shù)據(jù)92
5.8 在Keras中重復使用模型97
第6章 神經(jīng)網(wǎng)絡的進一步優(yōu)化100
6.1 過擬合100
6.2 梯度消失和梯度爆炸106
6.3 局部最優(yōu)110
6.4 批量歸一化111
第7章 卷積神經(jīng)網(wǎng)絡115
7.1 計算機視覺和圖像識別115
7.2 卷積神經(jīng)網(wǎng)絡基礎118
7.2.1 卷積神經(jīng)網(wǎng)絡的結(jié)構(gòu)118
7.2.2 卷積層119
7.2.3 池化層125
7.2.4 卷積神經(jīng)網(wǎng)絡的設計126
7.3 為什么要使用卷積神經(jīng)網(wǎng)絡128
7.4 圖像處理數(shù)據(jù)集130
7.5 CNN發(fā)展歷程133
7.5.1 AlexNet134
7.5.2 VGG136
7.5.3 Inception138
7.5.4 ResNet139
第8章 使用Keras構(gòu)建卷積神經(jīng)網(wǎng)絡144
8.1 Keras中的卷積層144
8.2 Keras中的池化層147
8.3 Keras中的全連接層148
8.4 實例1：使用卷積神經(jīng)網(wǎng)絡處理手寫體分類問題148
8.5 實例2：重復使用已經(jīng)訓練好的卷積神經(jīng)網(wǎng)絡模型152
8.6 圖像的數(shù)據(jù)增強158
8.6.1 使用ImageDataGenerator進行數(shù)據(jù)增強158
8.6.2 使用增強數(shù)據(jù)進行模型訓練163
第9章 卷積神經(jīng)網(wǎng)絡可視化166
9.1 概述166
9.2 對神經(jīng)網(wǎng)絡進行可視化168
9.2.1 可視化神經(jīng)網(wǎng)絡的中間層168
9.2.2 可視化過濾器173
9.3 對關(guān)注點進行可視化176
9.3.1 顯著圖177
9.3.2 類激活圖180
9.4 自動駕駛的應用182
第10章 遷移學習185
10.1 什么是遷移學習185
10.2 為什么要使用遷移學習186
10.3 遷移學習的適用性187
10.4 在Keras中進行遷移學習189
10.4.1 在MNIST上遷移學習的例子190
10.4.2 遷移學習的適用情況193
10.4.3 實例194
第11章 循環(huán)神經(jīng)網(wǎng)絡205
11.1 神經(jīng)網(wǎng)絡中的序列問題205
11.2 循環(huán)神經(jīng)網(wǎng)絡的使用207
11.2.1 輸入/輸出207
11.2.2 前向傳播209
11.2.3 反向傳播213
11.3 長短期記憶網(wǎng)絡215
11.4 應用場景217
第12章 使用Keras構(gòu)建循環(huán)神經(jīng)網(wǎng)絡221
12.1 Keras中的循環(huán)層221
12.2 Keras中的嵌入層224
12.3 IMDB實例226
12.3.1 全連接網(wǎng)絡227
12.3.2 SimpleRNN229
12.3.3 LSTM231
12.3.4 雙向循環(huán)神經(jīng)網(wǎng)絡232
12.3.5 用了卷積層的循環(huán)網(wǎng)絡結(jié)構(gòu)234
12.4 LSTM實例237
12.4.1 深度學習中的時間序列問題237
12.4.2 使用更多的歷史信息242
12.4.3 多個時間步長的預測244
12.5 有狀態(tài)的循環(huán)神經(jīng)網(wǎng)絡247
12.5.1 字母預測問題248
12.5.2 有狀態(tài)的LSTM252