123,123

內(nèi)容簡(jiǎn)介

　　《深度學(xué)習(xí)筆記》作為一本以“筆記”命名的深度學(xué)習(xí)圖書(shū)，主要定位是面向廣大希望入門深度學(xué)習(xí)的初學(xué)者。本書(shū)以深度神經(jīng)網(wǎng)絡(luò)（DNN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）為核心，詳細(xì)介紹了深度學(xué)習(xí)的理論基礎(chǔ)、通用方法和三大網(wǎng)絡(luò)的原理與實(shí)踐。全書(shū)代碼以Keras框架作為范例，對(duì)于初學(xué)者而言簡(jiǎn)單易懂。　對(duì)于深度學(xué)習(xí)而言，本書(shū)內(nèi)容豐富，知識(shí)覆蓋面廣，兼有代碼實(shí)戰(zhàn)，適合想要入門深度學(xué)習(xí)的廣大學(xué)習(xí)者閱讀。

作者簡(jiǎn)介

　　魯偉，貝葉斯統(tǒng)計(jì)方向碩士畢業(yè)，深度學(xué)習(xí)算法工程師，微信公眾號(hào)“機(jī)器學(xué)習(xí)實(shí)驗(yàn)室”主編，對(duì)人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、醫(yī)學(xué)圖像處理和計(jì)算機(jī)視覺(jué)等有深入研究。

圖書(shū)目錄

第1講神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)1
1.1機(jī)器學(xué)習(xí)與深度學(xué)習(xí)的關(guān)系2
1.2感知機(jī)與神經(jīng)網(wǎng)絡(luò)3
第2講神經(jīng)網(wǎng)絡(luò)的過(guò)擬合與正則化7
2.1機(jī)器學(xué)習(xí)的核心要義8
2.2范數(shù)與正則化9
2.3神經(jīng)網(wǎng)絡(luò)的正則化和Dropout11
第3講深度學(xué)習(xí)的優(yōu)化算法14
3.1機(jī)器學(xué)習(xí)的數(shù)學(xué)規(guī)約15
3.2損失函數(shù)和深度學(xué)習(xí)優(yōu)化算法15
3.3梯度下降法16
3.4從Momentum到Adam18
第4講卷積神經(jīng)網(wǎng)絡(luò)21
4.1CNN發(fā)展簡(jiǎn)史與相關(guān)人物22
4.2卷積的含義23
4.3池化和全連接26
深度學(xué)習(xí)筆記目錄第5講CNN圖像學(xué)習(xí)過(guò)程與可視化28
5.1CNN的直觀理解29
5.2CNN圖像學(xué)習(xí)的可視化31
第6講CNN圖像分類：從LeNet5到EfficientNet37
6.1計(jì)算機(jī)視覺(jué)的三大任務(wù)38
6.2CNN圖像分類發(fā)展史39
第7講CNN目標(biāo)檢測(cè)：從RCNN到Y(jié)OLO47
7.1目標(biāo)檢測(cè)概述48
7.2CNN目標(biāo)檢測(cè)算法49
第8講CNN圖像分割：從FCN到U-Net56
8.1語(yǔ)義分割和實(shí)例分割概述57
8.2語(yǔ)義分割58
第9講遷移學(xué)習(xí)理論與實(shí)踐65
9.1遷移學(xué)習(xí)：深度學(xué)習(xí)未來(lái)五年的驅(qū)動(dòng)力？66
9.2遷移學(xué)習(xí)的使用場(chǎng)景66
9.3深度卷積網(wǎng)絡(luò)的可遷移性67
9.4遷移學(xué)習(xí)的使用方法68
9.5基于ResNet的遷移學(xué)習(xí)實(shí)驗(yàn)68
第10講循環(huán)神經(jīng)網(wǎng)絡(luò)76
10.1從語(yǔ)音識(shí)別到自然語(yǔ)言處理77
10.2RNN：網(wǎng)絡(luò)架構(gòu)與技術(shù)79
10.3四種RNN結(jié)構(gòu)81
第11講長(zhǎng)短期記憶網(wǎng)絡(luò)84
11.1深度神經(jīng)網(wǎng)絡(luò)的困擾：梯度爆炸與梯度消失85
11.2LSTM：讓RNN具備更好的記憶機(jī)制87
第12講自然語(yǔ)言處理與詞向量91
12.1自然語(yǔ)言處理簡(jiǎn)介92
12.2詞匯表征93
12.3詞向量與語(yǔ)言模型94
第13講word2vec詞向量98
13.1word2vec99
13.2word2vec的訓(xùn)練過(guò)程：以CBOW為例100
第14講seq2seq與注意力模型104
14.1seq2seq的簡(jiǎn)單介紹105
14.2注意力模型105
14.3基于seq2seq和Attention機(jī)制的機(jī)器翻譯實(shí)踐108
第15講語(yǔ)音識(shí)別118
15.1概述119
15.2信號(hào)處理與特征提取120
15.3傳統(tǒng)聲學(xué)模型122
15.4基于深度學(xué)習(xí)的聲學(xué)模型123
15.5端到端的語(yǔ)音識(shí)別系統(tǒng)簡(jiǎn)介125
第16講從Embedding到XLNet：NLP預(yù)訓(xùn)練模型簡(jiǎn)介127
16.1從Embedding到ELMo128
16.2特征提取器：Transformer129
16.3低調(diào)王者：GPT131
16.4封神之作：BERT131
16.5持續(xù)創(chuàng)新：XLNet132
第17講深度生成模型之自編碼器134
17.1自編碼器135
17.2自編碼器的降噪作用136
17.3變分自編碼器138
17.4VAE的Keras實(shí)現(xiàn)143
第18講深度生成模型之生成式對(duì)抗網(wǎng)絡(luò)148
18.1GAN149
18.2訓(xùn)練一個(gè)DCGAN151
第19講神經(jīng)風(fēng)格遷移、深度強(qiáng)化學(xué)習(xí)與膠囊網(wǎng)絡(luò)159
19.1神經(jīng)風(fēng)格遷移160
19.2深度強(qiáng)化學(xué)習(xí)162
19.3膠囊網(wǎng)絡(luò)166
第20講深度學(xué)習(xí)框架171
20.1概述172
20.2TensorFlow173
20.3Keras175
20.4PyTorch176
第21講深度學(xué)習(xí)數(shù)據(jù)集179
21.1CV經(jīng)典數(shù)據(jù)集180
21.2NLP經(jīng)典數(shù)據(jù)集187
參考文獻(xiàn)189