✍ Scribed by 英德 拉·丹·巴克,Indra den Bakker,程国建,周冠武
No coin nor oath required. For personal study only.
Python深度学习实战：75个有关神经网络建模、强化学习与迁移学习的解决方案
作者简介
前折页
书名页
版权页
译者序
原书前言
目录
第1章 编程环境、GPU计算、云解决方案和深度学习框架
1.1 简介
1.2 搭建一个深度学习环境
1.3 在AWS上启动实例
1.4 在GCP上启动实例
1.5 安装CUDA和cuDNN
1.6 安装Anaconda和库文件
1.7 连接服务器上的Jupyter Notebooks
1.8 用TensorFlow构建最先进的即用模型
1.9 直观地用Keras建立网络
1.10 使用PyTorch的RNN动态计算图
1.11 用CNTK实现高性能模型
1.12 使用MXNet构建高效的模型
1.13 使用简单、高效的Gluon编码定义网络
第2章 前馈神经网络
2.1 简介
2.2 理解感知器
2.3 实现一个单层神经网络
2.4 构建一个多层神经网络
2.5 开始使用激活函数
2.6 关于隐层和隐层神经元的实验
2.7 实现一个自动编码器
2.8 调整损失函数
2.9 测试不同的优化器
2.10 使用正则化技术提高泛化能力
2.11 添加Dropout以防止过拟合
第3章 卷积神经网络
3.1 简介
3.2 开始使用滤波器和参数共享
3.3 应用层合并技术
3.4 使用批量标准化进行优化
3.5 理解填充和步长
3.6 试验不同类型的初始化
3.7 实现卷积自动编码器
3.8 将一维CNN应用于文本
第4章 递归神经网络
4.1 简介
4.2 实现一个简单的RNN
4.3 添加LSTM
4.4 使用GRU
4.5 实现双向RNN
4.6 字符级文本生成
第5章 强化学习
5.1 简介
5.2 实现策略梯度
5.3 实现深度Q学习算法
第6章 生成对抗网络
6.1 简介
6.2 了解GAN
6.3 实现DCGAN
6.4 使用SRGAN来提高图像分辨率
第7章 计算机视觉
7.1 简介
7.2 利用计算机视觉技术增广图像
7.3 图像中的目标分类
7.4 目标在图像中的本地化
7.5 实时检测框架
7.6 用U-net将图像分类
7.7 语义分割与场景理解
7.8 寻找人脸面部关键点
7.9 人脸识别
7.10 将样式转换为图像
第8章 自然语言处理
8.1 简介
8.2 情绪分析
8.3 句子翻译
8.4 文本摘要
第9章 语音识别和视频分析
9.1 简介
9.2 从零开始实现语音识别流程
9.3 使用语音识别技术辨别讲话人
9.4 使用深度学习理解视频
第10章 时间序列和结构化数据
10.1 简介
10.2 使用神经网络预测股票价格
10.3 预测共享单车需求
10.4 使用浅层神经网络进行二元分类
第11章 游戏智能体和机器人
11.1 简介
11.2 通过端到端学习来驾驶汽车
11.3 通过深度强化学习来玩游戏
11.4 用GA优化超参数
第12章 超参数选择、调优和神经网络学习
12.1 简介
12.2 用TensorBoard和Keras可视化训练过程
12.3 使用批量和小批量工作
12.4 使用网格搜索调整参数
12.5 学习率和学习率调度
12.6 比较优化器
12.7 确定网络的深度
12.8 添加Dropout以防止过拟合
12.9 通过数据增广使模型更加鲁棒
12.10 利用TTA来提高精度
第13章 网络内部构造
13.1 简介
13.2 用TensorBoard可视化训练过程
13.3 用TensorBoard可视化网络结构
13.4 分析网络权重等
13.5 冻结层
13.6 存储网络结构并训练权重
第14章 预训练模型
14.1 简介
14.2 使用GoogLeNet/Inception进行大规模视觉识别
14.3 用ResNet提取瓶颈特征
14.4 对新类别使用预训练的VGG模型
14.5 用Xception细调
后折页
📜 SIMILAR VOLUMES
<p>《神经网络与深度学习应用实战》结合实际应用介绍神经网络和深度学习等技术领域相关信息。从结构上重点介绍了前馈型神经网络、反馈型神经网络，以及自组织竞争型神经网络，并针对当下深度学习中比较重要的网络进行了详细介绍，包括卷积神经网络、循环（递归）神经网络、深度信念网络、生成对抗网络，以及深度强化学习。《神经网络与深度学习应用实战》不仅能让读者对当前神经网络和深度学习技术有体系的认知，更能让读者在人工智能领域进行一些深入思考。</p>
<p>本书主要介绍神经网络与深度学习中的基础知识、主要模型（卷积神经网络、递归神经网络等）以及在计算机视觉、自然语言处理等领域的应用。</p>
<p>深度学习为人工智能带来了巨大突破，也成为机器学习领域一颗闪耀的新星。虽然相关学习资料丰富，但大部分内容较为庞杂且难以理解，并对初学者的相关理论知识与实践能力有较高的要求，这使得大部分想进入这一领域的初学者望而却步。《深度学习实战》去繁化简地对深度学习的理论知识进行了梳理，并对算法实现做出了浅显易懂的讲解，适合初学者进行学习。结合《深度学习实战》的内容，读者可以快速对深度学习进行实践。通过启发式的自学模式，可以使读者由浅入深地学习并掌握常用的深度学习模型，为进一步使用开源的深度学习平台与工具提供理论与实践基础。</p> <p>《深度学习实战》可作为高等院校计算机专业的本科生或研究生教材，