第1部分基礎(chǔ)篇

第1章深度學(xué)習(xí)簡介

1.1計算機(jī)視覺

1.1.1定義

1.1.2基本任務(wù)

1.1.3傳統(tǒng)方法

1.1.4仿生學(xué)與深度學(xué)習(xí)

1.1.5現(xiàn)代深度學(xué)習(xí)

1.1.6影響卷積神經(jīng)網(wǎng)絡(luò)發(fā)展的因素

1.2自然語言處理

1.2.1自然語言處理的基本問題

1.2.2傳統(tǒng)方法與神經(jīng)網(wǎng)絡(luò)方法的比較

1.2.3發(fā)展趨勢

1.3強(qiáng)化學(xué)習(xí)

1.3.1什么是強(qiáng)化學(xué)習(xí)

1.3.2強(qiáng)化學(xué)習(xí)算法簡介

1.3.3強(qiáng)化學(xué)習(xí)的應(yīng)用

第2章深度學(xué)習(xí)框架

2.1Caffe

2.1.1Caffe簡介

2.1.2Caffe的特點(diǎn)

2.1.3Caffe概述

2.2TensorFlow

2.2.1TensorFlow簡介

2.2.2數(shù)據(jù)流圖

2.2.3TensorFlow的特點(diǎn)

2.2.4TensorFlow概述

2.3PyTorch

2.3.1PyTorch簡介

2.3.2PyTorch的特點(diǎn)

2.3.3PyTorch概述

2.4三者的比較

2.4.1Caffe

2.4.2TensorFlow

2.4.3PyTorch

第3章機(jī)器學(xué)習(xí)基礎(chǔ)知識

3.1模型評估與模型參數(shù)選擇

3.1.1驗(yàn)證

3.1.2正則化

3.2監(jiān)督學(xué)習(xí)與非監(jiān)督學(xué)習(xí)

3.2.1監(jiān)督學(xué)習(xí)

3.2.2非監(jiān)督學(xué)習(xí)

第4章TensorFlow深度學(xué)習(xí)基礎(chǔ)

4.1Tensor對象及其運(yùn)算

4.2Tensor的索引和切片

4.3Tensor的變換、拼接和拆分

4.4TensorFlow的Reduction操作

4.5三種計算圖

4.6TensorFlow的自動微分

第5章回歸模型

5.1線性回歸

5.2Logistic回歸

5.3用TensorFlow實(shí)現(xiàn)Logistic回歸

5.3.1數(shù)據(jù)準(zhǔn)備

5.3.2模型搭建與訓(xùn)練

第6章神經(jīng)網(wǎng)絡(luò)基礎(chǔ)

6.1基礎(chǔ)概念

6.2感知器

6.2.1單層感知器

6.2.2多層感知器

6.3BP神經(jīng)網(wǎng)絡(luò)

6.3.1梯度下降

6.3.2后向傳播

6.4Dropout正則化

6.5批標(biāo)準(zhǔn)化

6.5.1批標(biāo)準(zhǔn)化的實(shí)現(xiàn)方式

6.5.2批標(biāo)準(zhǔn)化的使用方法

第7章卷積神經(jīng)網(wǎng)絡(luò)與計算機(jī)視覺

7.1卷積神經(jīng)網(wǎng)絡(luò)的基本思想

7.2卷積操作

7.3池化層

7.4卷積神經(jīng)網(wǎng)絡(luò)

7.5經(jīng)典網(wǎng)絡(luò)結(jié)構(gòu)

7.5.1VGG網(wǎng)絡(luò)

7.5.2InceptionNet

7.5.3ResNet

7.6用TensorFlow進(jìn)行手寫數(shù)字識別

第8章神經(jīng)網(wǎng)絡(luò)與自然語言處理

8.1語言建模

8.2基于多層感知器的架構(gòu)

8.3基于循環(huán)神經(jīng)網(wǎng)絡(luò)的架構(gòu)

8.3.1循環(huán)單元

8.3.2通過時間后向傳播

8.3.3帶有門限的循環(huán)單元

8.3.4循環(huán)神經(jīng)網(wǎng)絡(luò)語言模型

8.3.5神經(jīng)機(jī)器翻譯

8.4基于卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)

8.5基于Transformer的架構(gòu)

8.5.1多頭注意力

8.5.2非參位置編碼

8.5.3編碼器單元與解碼器單元

8.6表示學(xué)習(xí)與預(yù)訓(xùn)練技術(shù)

8.6.1詞向量

8.6.2加入上下文信息的特征表示

8.6.3網(wǎng)絡(luò)預(yù)訓(xùn)練

第2部分實(shí)戰(zhàn)篇

第9章基于YOLO V3的安全帽佩戴檢測

9.1數(shù)據(jù)準(zhǔn)備

9.1.1數(shù)據(jù)采集與標(biāo)注

9.1.2模型選擇

9.1.3數(shù)據(jù)格式轉(zhuǎn)換

9.2模型構(gòu)建、訓(xùn)練和測試

9.2.1YOLO系列模型

9.2.2模型訓(xùn)練

9.2.3測試與結(jié)果

第10章基于ResNet的人臉關(guān)鍵點(diǎn)檢測

10.1數(shù)據(jù)準(zhǔn)備

10.1.1人臉裁剪與縮放

10.1.2數(shù)據(jù)歸一化處理

10.1.3整體代碼

10.2模型搭建與訓(xùn)練

10.2.1特征圖生成

10.2.2模型搭建

10.2.3模型訓(xùn)練

10.3模型評價

第11章基于ResNet的花卉圖片分類

11.1環(huán)境與數(shù)據(jù)準(zhǔn)備

11.1.1環(huán)境安裝

11.1.2數(shù)據(jù)集簡介

11.1.3數(shù)據(jù)集的下載與處理

11.2模型構(gòu)建、訓(xùn)練和測試

11.2.1模型創(chuàng)建與訓(xùn)練

11.2.2測試與結(jié)果

第12章基于U�睳et的細(xì)胞分割

12.1細(xì)胞分割

12.1.1細(xì)胞分割簡介

12.1.2傳統(tǒng)細(xì)胞分割算法

12.2基于U�睳et細(xì)胞分割的實(shí)現(xiàn)

12.2.1U�睳et簡介

12.2.2ISBI簡介

12.2.3數(shù)據(jù)加載

12.2.4模型訓(xùn)練

12.2.5訓(xùn)練結(jié)果

第13章基于DCGAN的MNIST數(shù)據(jù)生成

13.1生成對抗網(wǎng)絡(luò)介紹

13.2準(zhǔn)備工作

13.3創(chuàng)建模型

13.3.1生成器

13.3.2判別器

13.4損失函數(shù)和優(yōu)化器

13.4.1判別器損失

13.4.2生成器損失

13.4.3保存檢查點(diǎn)

13.5定義訓(xùn)練循環(huán)

13.6訓(xùn)練模型和輸出結(jié)果

第14章基于遷移學(xué)習(xí)的電影評論分類

14.1遷移學(xué)習(xí)概述

14.2IMDB數(shù)據(jù)集

14.3構(gòu)建模型解決IMDB數(shù)據(jù)集分類問題

14.4模型訓(xùn)練和結(jié)果展示

第15章基于LSTM的原創(chuàng)音樂生成

15.1樣例背景介紹

15.1.1循環(huán)神經(jīng)網(wǎng)絡(luò)

15.1.2Music 21

15.1.3TensorFlow

15.2項(xiàng)目結(jié)構(gòu)設(shè)計

15.3實(shí)驗(yàn)步驟

15.3.1搭建實(shí)驗(yàn)環(huán)境

15.3.2觀察并分析數(shù)據(jù)

15.3.3數(shù)據(jù)預(yù)處理

15.3.4生成音樂

15.4成果檢驗(yàn)

第16章基于RNN的文本分類

16.1數(shù)據(jù)準(zhǔn)備

16.2創(chuàng)建模型

16.3訓(xùn)練模型

16.4堆疊兩個或更多 LSTM 層

第17章基于 TensorFlowTTS 的中文語音合成

17.1TTS 簡介

17.1.1語音合成技術(shù)

17.1.2TTS技術(shù)發(fā)展史和基本原理

17.1.3基于深度學(xué)習(xí)的TTS

17.2基于TensorFlowTTS 的語音合成實(shí)現(xiàn)

17.2.1TensorFlowTTS簡介與環(huán)境準(zhǔn)備

17.2.2算法簡介

17.2.3代碼實(shí)現(xiàn)與結(jié)果展示

附錄ATensorFlow環(huán)境搭建

附錄B深度學(xué)習(xí)的數(shù)學(xué)基礎(chǔ)

B.1線性代數(shù)

B.2概率論

參考文獻(xiàn)