Python 深度學習實戰(zhàn)：75個有關神經(jīng)網(wǎng)絡建模、強化學習與遷移學習的解決方案

譯者序

原書前言

第 1章　編程環(huán)境、GPU計算、云解決方案和深度學習框架 //1 

1.1　簡介 //1 

1.2　搭建一個深度學習環(huán)境 //2 

1.3　在 AWS上啟動實例 //2 

1.4　在 GCP上啟動實例 //3 

1.5　安裝 CUDA和 cuDNN //4 

1.6　安裝 Anaconda和庫文件 //6 

1.7　連接服務器上的 Jupyter Notebooks //7 

1.8　用 TensorFlow構建最先進的即用模型 //8 

1.9　直觀地用 Keras建立網(wǎng)絡 //10 

1.10　使用 PyTorch的 RNN動態(tài)計算圖 //12 

1.11　用 CNTK實現(xiàn)高性能模型 //14 

1.12　使用 MXNet構建高效的模型 //15 

1.13　使用簡單、高效的 Gluon編碼定義網(wǎng)絡 //17

第 2章　前饋神經(jīng)網(wǎng)絡 //19 

2.1　簡介 //19 

2.2　理解感知器 //19 

2.3　實現(xiàn)一個單層神經(jīng)網(wǎng)絡 //23 

2.4　構建一個多層神經(jīng)網(wǎng)絡 //27 

2.5　開始使用激活函數(shù) //30 

2.6　關于隱層和隱層神經(jīng)元的實驗 //35 

2.7　實現(xiàn)一個自動編碼器 //38 

2.8　調整損失函數(shù) //41 

2.9　測試不同的優(yōu)化器 //44 

2.10　使用正則化技術提高泛化能力 //47 

2.11　添加 Dropout以防止過擬合 //51

第 3章　卷積神經(jīng)網(wǎng)絡 //56 

3.1　簡介 //56 

3.2　開始使用濾波器和參數(shù)共享 //56 

3.3　應用層合并技術 //60 

3.4　使用批量標準化進行優(yōu)化 //62 

3.5　理解填充和步長 //66 

3.6　試驗不同類型的初始化 //72 

3.7　實現(xiàn)卷積自動編碼器 //76 

3.8　將一維 CNN應用于文本 //79

第 4章　遞歸神經(jīng)網(wǎng)絡 //81 

4.1　簡介 //81 

4.2　實現(xiàn)一個簡單的 RNN //82 

4.3　添加 LSTM //84 

4.4　使用 GRU //86 

4.5　實現(xiàn)雙向 RNN //89 

4.6　字符級文本生成 //91

第 5章　強化學習 //95 

5.1　簡介 //95 

5.2　實現(xiàn)策略梯度 //95 

5.3　實現(xiàn)深度Q學習算法 //102

第 6章　生成對抗網(wǎng)絡 //109 

6.1　簡介 //109 6.2　了解 GAN //109 

6.3　實現(xiàn) DCGAN //112 

6.4　使用 SRGAN來提高圖像分辨率 //117

第 7章　計算機視覺 //125 

7.1　簡介 //125 

7.2　利用計算機視覺技術增廣圖像 //125 

7.3　圖像中的目標分類 //130 

7.4　目標在圖像中的本地化 //134 

7.5　實時檢測框架 //139 

7.6　用 U-net將圖像分類 //139 

7.7　語義分割與場景理解 //143 

7.8　尋找人臉面部關鍵點 //147 

7.9　人臉識別 //151 

7.10　將樣式轉換為圖像 //157

第 8章　自然語言處理 //162 

8.1　簡介 //162 

8.2　情緒分析 //162 

8.3　句子翻譯 //165 

8.4　文本摘要 //169

第 9章　語音識別和視頻分析 //174 

9.1　簡介 //174 

9.2　從零開始實現(xiàn)語音識別流程 //174 

9.3　使用語音識別技術辨別講話人 //177 

9.4　使用深度學習理解視頻 //181

第 10章　時間序列和結構化數(shù)據(jù) //185 

10.1　簡介 //185 

10.2　使用神經(jīng)網(wǎng)絡預測股票價格 //185 

10.3　預測共享單車需求 //189 

10.4　使用淺層神經(jīng)網(wǎng)絡進行二元分類 //192

第 11章　游戲智能體和機器人 //194 

11.1　簡介 //194 

11.2　通過端到端學習來駕駛汽車 //194 

11.3　通過深度強化學習來玩游戲 //199 

11.4　用 GA優(yōu)化超參數(shù) //205

第 12章　超參數(shù)選擇、調優(yōu)和神經(jīng)網(wǎng)絡學習 //211 

12.1　簡介 //211 

12.2　用 TensorBoard和 Keras可視化訓練過程 //211 

12.3　使用批量和小批量工作 //215 

12.4　使用網(wǎng)格搜索調整參數(shù) //219 

12.5　學習率和學習率調度 //221 

12.6　比較優(yōu)化器 //224 

12.7　確定網(wǎng)絡的深度 //227 

12.8　添加 Dropout以防止過擬合 //227 

12.9　通過數(shù)據(jù)增廣使模型更加魯棒 //232 

12.10　利用 TTA來提高精度 //234

第 13章　網(wǎng)絡內部構造 //235 

13.1　簡介 //235 

13.2　用 TensorBoard可視化訓練過程 //235 

13.3　用 TensorBoard可視化網(wǎng)絡結構 //239 

13.4　分析網(wǎng)絡權重等 //239 

13.5　凍結層 //244 

13.6　存儲網(wǎng)絡結構并訓練權重 //246

第 14章　預訓練模型 //250 

14.1　簡介 //250 

14.2　使用 GoogLeNet/Inception進行大規(guī)模視覺識別 //250 

14.3　用 ResNet提取瓶頸特征 //252 

14.4　對新類別使用預訓練的 VGG模型 //253 

14.5　用 Xception細調 //256

......