深度學(xué)習(xí)案例精粹：基于TensorFlow與Keras

第1章 深度學(xué)習(xí)與應(yīng)用框架
1.1 深度學(xué)習(xí)的概念
1.1.1 何為深度學(xué)習(xí)
1.1.2 與傳統(tǒng)的“淺層學(xué)習(xí)”的區(qū)別
1.2 案例實(shí)戰(zhàn)：文本的情感分類
1.2.1 第一步：數(shù)據(jù)的準(zhǔn)備
1.2.2 第二步：數(shù)據(jù)的處理
1.2.3 第三步：模型的設(shè)計(jì)
1.2.4 第四步：模型的訓(xùn)練
1.2.5 第五步：模型的結(jié)果和展示
1.3 深度學(xué)習(xí)的流程、應(yīng)用場(chǎng)景和模型分類
1.3.1 深度學(xué)習(xí)的流程與應(yīng)用場(chǎng)景
1.3.2 深度學(xué)習(xí)的模型分類
1.4 主流深度學(xué)習(xí)的框架對(duì)比
1.4.1 深度學(xué)習(xí)框架的選擇
1.4.2 本書選擇：Keras與TensorFlow
1.5 本章小結(jié)
第2章 實(shí)戰(zhàn)卷積神經(jīng)網(wǎng)絡(luò)——手寫體識(shí)別
2.1 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
2.1.1 卷積運(yùn)算
2.1.2 TensorFlow中的卷積函數(shù)
2.1.3 池化運(yùn)算
2.1.4 softmax激活函數(shù)
2.1.5 卷積神經(jīng)網(wǎng)絡(luò)原理
2.2 案例實(shí)戰(zhàn)：MNIST手寫體識(shí)別
2.2.1 MNIST數(shù)據(jù)集的解析
2.2.2 MNIST數(shù)據(jù)集的特征和標(biāo)簽
2.2.3 TensorFlow 2.X編碼實(shí)現(xiàn)
2.2.4 使用自定義的卷積層實(shí)現(xiàn)MNIST識(shí)別
2.3 本章小結(jié)
第3章 實(shí)戰(zhàn)ResNet——CIFAR-100數(shù)據(jù)集分類
3.1 ResNet理論基礎(chǔ)
3.1.1 ResNet誕生的背景
3.1.2 模塊工具的TensorFlow實(shí)現(xiàn)
3.1.3 TensorFlow高級(jí)模塊layers
3.2 案例實(shí)戰(zhàn)：CIFAR-100數(shù)據(jù)集分類
3.2.1 CIFAR-100數(shù)據(jù)集的獲取
3.2.2 ResNet殘差模塊的實(shí)現(xiàn)
3.2.3 ResNet網(wǎng)絡(luò)的實(shí)現(xiàn)
3.2.4 使用ResNet對(duì)CIFAR-100數(shù)據(jù)集進(jìn)行分類
3.3 本章小結(jié)
第4章 實(shí)戰(zhàn)循環(huán)神經(jīng)網(wǎng)絡(luò)GRU——情感分類
4.1 情感分類理論基礎(chǔ)
4.1.1 復(fù)習(xí)簡(jiǎn)單的情感分類
4.1.2 什么是GRU
4.1.3 TensorFlow中的GRU層
4.1.4 雙向GRU
4.2 案例實(shí)戰(zhàn)：情感分類
4.2.1 使用TensorFlow自帶的模型來實(shí)現(xiàn)分類
4.2.2 使用自定義的DPCNN來實(shí)現(xiàn)分類
4.3 本章小結(jié)
第5章 實(shí)戰(zhàn)圖卷積——文本情感分類
5.1 圖卷積理論基礎(chǔ)
5.1.1 “節(jié)點(diǎn)”“鄰接矩陣”和“度矩陣”的物理意義
5.1.2 圖卷積的理論計(jì)算
5.1.3 圖卷積神經(jīng)網(wǎng)絡(luò)的傳播規(guī)則
5.2 案例實(shí)戰(zhàn)：Cora數(shù)據(jù)集文本分類
5.2.1 Cora數(shù)據(jù)集簡(jiǎn)介
5.2.2 Cora數(shù)據(jù)集的讀取與數(shù)據(jù)處理
5.2.3 圖卷積模型的設(shè)計(jì)與實(shí)現(xiàn)
5.2.4 圖卷積模型的訓(xùn)練與改進(jìn)
5.3 案例實(shí)戰(zhàn)：基于圖卷積的情感分類（圖卷積前沿內(nèi)容）
5.3.1 文本結(jié)構(gòu)化處理的思路與實(shí)現(xiàn)
5.3.2 使用圖卷積對(duì)文本進(jìn)行分類實(shí)戰(zhàn)
5.3.3 圖卷積模型的改進(jìn)
5.4 本章小結(jié)
第6章 實(shí)戰(zhàn)自然語言處理——編碼器
6.1 編碼器理論基礎(chǔ)
6.1.1 輸入層——初始詞向量層和位置編碼器層
6.1.2 自注意力層
6.1.3 ticks和LayerNormalization
6.1.4 多頭自注意力
6.2 案例實(shí)戰(zhàn)：簡(jiǎn)單的編碼器
6.2.1 前饋層的實(shí)現(xiàn)
6.2.2 編碼器的實(shí)現(xiàn)
6.3 案例實(shí)戰(zhàn)：漢字拼音轉(zhuǎn)化模型
6.3.1 漢字拼音數(shù)據(jù)集處理
6.3.2 漢字拼音轉(zhuǎn)化模型的確定
6.3.3 模型訓(xùn)練部分的編寫
6.3.4 推斷函數(shù)的編寫
6.4 本章小結(jié)
第7章 實(shí)戰(zhàn)BERT——中文文本分類
7.1 BERT理論基礎(chǔ)
7.1.1 BERT基本架構(gòu)與應(yīng)用
7.1.2 BERT預(yù)訓(xùn)練任務(wù)與Fine-Tuning
7.2 案例實(shí)戰(zhàn)：中文文本分類
7.2.1 使用Hugging Face獲取BERT預(yù)訓(xùn)練模型
7.2.2 BERT實(shí)戰(zhàn)文本分類
7.3 拓展：更多的預(yù)訓(xùn)練模型
7.4 本章小結(jié)
第8章 實(shí)戰(zhàn)自然語言處理——多標(biāo)簽文本分類
8.1 多標(biāo)簽分類理論基礎(chǔ)
8.1.1 多標(biāo)簽分類不等于多分類
8.1.2 多標(biāo)簽分類的激活函數(shù)——sigmoid
8.2 案例實(shí)戰(zhàn)：多標(biāo)簽文本分類
8.2.1 第一步：數(shù)據(jù)的獲取與處理
8.2.2 第二步：選擇特征抽取模型
8.2.3 第三步：訓(xùn)練模型的建立
8.2.4 第四步：多標(biāo)簽文本分類的訓(xùn)練與預(yù)測(cè)
8.3 本章小結(jié)
第9章 實(shí)戰(zhàn)MTCNN——人臉檢測(cè)
9.1 人臉檢測(cè)基礎(chǔ)
9.1.1 LFW數(shù)據(jù)集簡(jiǎn)介
9.1.2 Dlib庫(kù)簡(jiǎn)介
9.1.3 OpenCV簡(jiǎn)介
9.1.4 使用Dlib做出圖像中的人臉檢測(cè)
9.1.5 使用Dlib和OpenCV建立人臉檢測(cè)數(shù)據(jù)集
9.2 案例實(shí)戰(zhàn)：基于MTCNN模型的人臉檢測(cè)
9.2.1 MTCNN模型簡(jiǎn)介
9.2.2 MTCNN模型的使用
9.2.3 MTCNN模型中的一些細(xì)節(jié)
9.3 本章小結(jié)
第10章 實(shí)戰(zhàn)SiameseModel——人臉識(shí)別
10.1 基于深度學(xué)習(xí)的人臉識(shí)別模型
10.1.1 人臉識(shí)別的基本模型SiameseModel
10.1.2 SiameseModel的實(shí)現(xiàn)
10.1.3 人臉識(shí)別數(shù)據(jù)集的準(zhǔn)備
10.2 案例實(shí)戰(zhàn)：基于相似度計(jì)算的人臉識(shí)別模型
10.2.1 一種新的損失函數(shù)Triplet Loss
10.2.2 基于TripletSemiHardLoss的MNIST模型
10.2.3 基于TripletSemiHardLoss和SENET的人臉識(shí)別模型
10.3 本章小結(jié)
第11章 實(shí)戰(zhàn)MFCC和C