神經(jīng)網(wǎng)絡(luò)設(shè)計與實現(xiàn)

譯者序
前言
第一部分　神經(jīng)網(wǎng)絡(luò)入門
第1章　有監(jiān)督學(xué)習(xí)入門2
1.1　人工智能的歷史2
1.2　機(jī)器學(xué)習(xí)概述4
1.2.1　有監(jiān)督學(xué)習(xí)4
1.2.2　無監(jiān)督學(xué)習(xí)4
1.2.3　半監(jiān)督學(xué)習(xí)5
1.2.4　強(qiáng)化學(xué)習(xí)5
1.3　配置環(huán)境6
1.3.1　了解虛擬環(huán)境7
1.3.2　Anaconda8
1.3.3　Docker9
1.4　Python有監(jiān)督學(xué)習(xí)實踐9
1.5　特征工程11
1.6　有監(jiān)督學(xué)習(xí)算法14
1.6.1　指標(biāo)15
1.6.2　模型評估17
1.7　總結(jié)19
第2章　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)20
2.1　感知器20
2.2　Keras27
2.3　前饋神經(jīng)網(wǎng)絡(luò)29
2.3.1　反向傳播介紹31
2.3.2　激活函數(shù)33
2.3.3　Keras實現(xiàn)36
2.4　從頭開始使用Python編寫FFNN40
2.4.1　FFNN的Keras實現(xiàn)43
2.4.2　TensorBoard45
2.4.3　XOR問題中的TensorBoard45
2.5　總結(jié)48
第二部分　深度學(xué)習(xí)應(yīng)用
第3章　基于卷積神經(jīng)網(wǎng)絡(luò)的圖像處理50
3.1　理解卷積神經(jīng)網(wǎng)絡(luò)50
3.2　卷積層52
3.2.1　池化層55
3.2.2　丟棄層57
3.2.3　歸一化層57
3.2.4　輸出層57
3.3　Keras中的卷積神經(jīng)網(wǎng)絡(luò)58
3.3.1　加載數(shù)據(jù)58
3.3.2　創(chuàng)建模型60
3.3.3　網(wǎng)絡(luò)配置60
3.4　Keras表情識別63
3.5　優(yōu)化網(wǎng)絡(luò)68
3.6　總結(jié)70
第4章　利用文本嵌入71
4.1　面向NLP的機(jī)器學(xué)習(xí)71
4.2　理解詞嵌入73
4.2.1　詞嵌入的應(yīng)用73
4.2.2　Word2vec74
4.3　GloVe80
4.3.1　全局矩陣分解80
4.3.2　使用GloVe模型82
4.3.3　基于GloVe的文本分類85
4.4　總結(jié)87
第5章　循環(huán)神經(jīng)網(wǎng)絡(luò)88
5.1　理解循環(huán)神經(jīng)網(wǎng)絡(luò)88
5.1.1　循環(huán)神經(jīng)網(wǎng)絡(luò)原理90
5.1.2　循環(huán)神經(jīng)網(wǎng)絡(luò)類型91
5.1.3　損失函數(shù)94
5.2　長短期記憶95
5.2.1　LSTM架構(gòu)95
5.2.2　Keras長短期記憶實現(xiàn)98
5.3　PyTorch基礎(chǔ)知識102
5.4　總結(jié)106
第6章　利用遷移學(xué)習(xí)重用神經(jīng)網(wǎng)絡(luò)107
6.1　遷移學(xué)習(xí)理論107
6.1.1　多任務(wù)學(xué)習(xí)介紹108
6.1.2　重用其他網(wǎng)絡(luò)作為特征提取器108
6.2　實現(xiàn)多任務(wù)學(xué)習(xí)108
6.3　特征提取110
6.4　在PyTorch中實現(xiàn)遷移學(xué)習(xí)110
6.5　總結(jié)116
第三部分　高級應(yīng)用領(lǐng)域
第7章　使用生成算法118
7.1　判別算法與生成算法118
7.2　理解GAN120
7.2.1　訓(xùn)練GAN121
7.2.2　GAN面臨的挑戰(zhàn)123
7.3　GAN的發(fā)展變化和時間線124
7.3.1　條件GAN125
7.3.2　DCGAN125
7.3.3　Pix2Pix GAN131
7.3.4　StackGAN132
7.3.5　CycleGAN133
7.3.6　ProGAN135
7.3.7　StarGAN136
7.3.8　BigGAN138
7.3.9　StyleGAN139
7.3.10　Deepfake142
7.3.11　RadialGAN143
7.4　總結(jié)144
7.5　延伸閱讀144
第8章　實現(xiàn)自編碼器146
8.1　自編碼器概述146
8.2　自編碼器的應(yīng)用147
8.3　瓶頸和損失函數(shù)147
8.4　自編碼器的標(biāo)準(zhǔn)類型148
8.4.1　欠完備自編碼器148
8.4.2　多層自編碼器151
8.4.3　卷積自編碼器152
8.4.4　稀疏自編碼器155
8.4.5　去噪自編碼器156
8.4.6　收縮自編碼器157
8.5　變分自編碼器157
8.6　訓(xùn)練變分自編碼器159
8.7　總結(jié)164
8.8　延伸閱讀164
第9章　DBN165
9.1　DBN概述165
9.1.1　貝葉斯置信網(wǎng)絡(luò)166
9.1.2　受限玻爾茲曼機(jī)167
9.2　DBN架構(gòu)176
9.3　訓(xùn)練DBN177
9.4　微調(diào)179
9.5　數(shù)據(jù)集和庫179
9.5.1　示例—有監(jiān)督的DBN分類180
9.5.2　示例—有監(jiān)督的DBN回歸181
9.5.3　示例—無監(jiān)督的DBN分類182
9.6　總結(jié)183
9.7　延伸閱讀183
第10章　強(qiáng)化學(xué)習(xí)184
10.1　基本定義184
10.2　Q-learning介紹187
10.2.1　學(xué)習(xí)目標(biāo)187
10.2.2　策略優(yōu)化188
10.2.3　Q-learning方法188
10.3　使用OpenAI Gym188
10.4　冰湖問題191
10.5　總結(jié)199
第11章　下一步是什么200
11.1　本書總結(jié)200
11.2　機(jī)器學(xué)習(xí)的未來201
11.3　通用人工智能202
11.3.1　AI倫理問題203
11.3.2　可解釋性203
11.3.3　自動化204
11.3.4　AI安全性204
11.3.5　問責(zé)制205
11.4　結(jié)語205