Python神經(jīng)網(wǎng)絡(luò)入門與實戰(zhàn)

第1章 神經(jīng)網(wǎng)絡(luò)概述 1
1.1 神經(jīng)網(wǎng)絡(luò)簡介 2
1.1.1 神經(jīng)網(wǎng)絡(luò)的定義 2
1.1.2 神經(jīng)網(wǎng)絡(luò)可解決的問題 3
1.2 神經(jīng)網(wǎng)絡(luò)的靈感來源 3
1.2.1 對人類認知過程的傳統(tǒng)認知 3
1.2.2 對人類認知過程的現(xiàn)代認知 4
1.2.3 神經(jīng)元連接的靈感 4
1.3 為什么要學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 4
1.3.1 神經(jīng)網(wǎng)絡(luò)的發(fā)展 4
1.3.2 學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)有什么用 5
1.4 怎樣學(xué)習(xí)神經(jīng)網(wǎng)絡(luò) 6
1.4.1 選擇一門編程語言 6
1.4.2 對算法的理解 8
1.4.3 寫博客 8
1.5 小結(jié) 9
第2章 神經(jīng)網(wǎng)絡(luò)基礎(chǔ)知識 10
2.1 感知器模型 11
2.1.1 神經(jīng)元細胞的本質(zhì) 11
2.1.2 感知器模型的構(gòu)建 11
2.2 訓(xùn)練感知器 13
2.2.1 計算誤差 13
2.2.2 誤差反向傳播 13
2.2.3 訓(xùn)練示例 14
2.3 激活函數(shù) 15
2.3.1 激活函數(shù)的定義 16
2.3.2 Sigmoid函數(shù) 16
2.3.3 Tanh函數(shù) 17
2.3.4 ReLU函數(shù) 18
2.4 損失函數(shù) 20
2.4.1 損失函數(shù)的定義及作用 20
2.4.2 絕對值損失函數(shù) 20
2.4.3 均方差損失函數(shù) 21
2.4.4 交叉熵損失函數(shù) 23
2.5 單層神經(jīng)網(wǎng)絡(luò) 23
2.5.1 單層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 23
2.5.2 單層神經(jīng)網(wǎng)絡(luò)的參數(shù) 25
2.5.3 單層神經(jīng)網(wǎng)絡(luò)的前向傳播過程 25
2.6 訓(xùn)練單層神經(jīng)網(wǎng)絡(luò) 26
2.6.1 梯度下降算法 26
2.6.2 反向傳播算法 29
2.6.3 理解反向傳播 31
2.7 多層神經(jīng)網(wǎng)絡(luò) 32
2.7.1 多層神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) 33
2.7.2 參數(shù)向量化 33
2.8 卷積神經(jīng)網(wǎng)絡(luò) 36
2.8.1 卷積神經(jīng)網(wǎng)絡(luò)簡介 36
2.8.2 卷積核 37
2.8.3 卷積操作 38
2.8.4 池化操作 41
2.8.5 卷積層 42
2.8.6 池化層 43
2.8.7 全連接層 44
2.9 小結(jié) 44
第3章 實戰(zhàn)前的預(yù)備知識 46
3.1 計算機程序 47
3.1.1 計算機程序簡介 47
3.1.2 計算機程序的執(zhí)行過程 48
3.1.3 計算機程序的開發(fā)流程 49
3.1.4 計算機程序的特點 50
3.2 加速訓(xùn)練 51
3.2.1 CPU與GPU 51
3.2.2 歸一化 52
3.2.3 其他學(xué)習(xí)算法 53
3.2.4 Mini-Batch 54
3.3 構(gòu)建樣本集 55
3.3.1 Tensor類型 55
3.3.2 訓(xùn)練集 56
3.3.3 測試集 57
3.3.4 交叉驗證集 58
3.4 小結(jié) 59
第4章 Python入門與實戰(zhàn) 60
4.1 Python簡介 61
4.1.1 什么是Python 61
4.1.2 Python的特點 61
4.1.3 為什么要用Python搭建神經(jīng)網(wǎng)絡(luò) 62
4.2 搭建Python環(huán)境 63
4.2.1 安裝Python 3.7（Anaconda） 63
4.2.2 安裝CUDA 10.0 66
4.2.3 安裝PyCharm 68
4.2.4 PyCharm新建項目 70
4.2.5 PyCharm的一些基本設(shè)置 71
4.2.6 PyCharm運行程序 73
4.3 Python基礎(chǔ) 74
4.3.1 輸入語句與輸出語句 74
4.3.2 變量的作用與定義 76
4.3.3 變量的命名規(guī)則和習(xí)慣 78
4.3.4 運算符 79
4.3.5 數(shù)據(jù)類型 81
4.3.6 if語句 82
4.3.7 循環(huán)語句 83
4.3.8 函數(shù) 85
4.3.9 類 85
4.3.10 列表和元組 87
4.3.11 引入模塊 87
4.3.12 注釋 88
4.4 編寫第一個感知器程序 88
4.4.1 需求分析 88
4.4.2 主程序 89
4.4.3 感知器前向傳播程序 90
4.4.4 誤差計算程序 91
4.4.5 運行結(jié)果 91
4.5 小結(jié) 92
第5章 深度學(xué)習(xí)框架PyTorch入門與實戰(zhàn) 93
5.1 PyTorch簡介 94
5.1.1 什么是PyTorch 94
5.1.2 PyTorch的特點 94
5.1.3 為什么要選擇PyTorch搭建神經(jīng)網(wǎng)絡(luò) 95
5.2 安裝PyTorch框架 95
5.2.1 conda命令 96
5.2.2 選擇PyTorch版本進行安裝 97
5.3 PyTorch基礎(chǔ) 99
5.3.1 構(gòu)建輸入/輸出 99
5.3.2 構(gòu)建網(wǎng)絡(luò)結(jié)構(gòu) 100
5.3.3 定義優(yōu)化器與損失函數(shù) 102
5.3.4 保存和加載網(wǎng)絡(luò) 103
5.4 小實戰(zhàn)：用PyTorch搭建一個神經(jīng)網(wǎng)絡(luò)以學(xué)習(xí)異或運算 104
5.4.1 需求分析 104
5.4.2 訓(xùn)練程序 105
5.4.3 測試程序 107
5.5 小結(jié) 109
第6章 Python搭建神經(jīng)網(wǎng)絡(luò)進階 110
6.1 NumPy簡介 111
6.1.1 NumPy的基本功能 111
6.1.2 NumPy的數(shù)據(jù)類型 111
6.2 NumPy的使用 112
6.2.1 安裝NumPy 112
6.2.2 創(chuàng)建數(shù)組 112
6.2.3 存儲和讀取數(shù)組 114
6.2.4 索引和切片 115
6.2.5 重塑數(shù)組 116
6.2.6 數(shù)組的運算 117
6.3 OpenCV簡介 119
6.3.1 OpenCV概述 119
6.3.2 OpenCV的基本功能 120
6.4 OpenCV的使用 120
6.4.1 安裝OpenCV 121
6.4.2 圖像讀取與顯示 121
6.4.3 圖像縮放 122
6.4.4 色彩空間轉(zhuǎn)換 123
6.4.5 直方圖均衡化 125
6.4.6 圖像保存 126
6.5 文件夾中文件的遍歷 127
6.5.1 OS模塊簡介 128
6.5.2 path模塊 128
6.5.3 刪除文件 129
6.5.4 創(chuàng)建文件夾 129
6.5.5 文件遍歷 130
6.6 構(gòu)建和讀取數(shù)據(jù)集 132
6.6.1 構(gòu)建數(shù)據(jù)集 132
6.6.2 讀取數(shù)據(jù)集 135
6.7 PyTorch中卷積神經(jīng)網(wǎng)絡(luò)有關(guān)的接口 136
6.7.1 卷積層接口 136
6.7.2 反卷積層接口 137
6.8 小結(jié) 137
第7章 實戰(zhàn)1：回歸問題和分類問題 139
7.1 Python中繪圖方法簡介 140
7.1.1 Matplotlib簡介 140
7.1.2 安裝Matplotlib 140
7.1.3 散點圖繪制 141
7.1.4 繪圖顯示的小設(shè)置 144
7.1.5 曲線繪制 145
7.1.6 設(shè)置坐標(biāo)軸 146
7.1.7 動態(tài)繪圖 148
7.2 回歸問題 149
7.3 用Python搭建一個解決回歸問題的神經(jīng)網(wǎng)絡(luò) 151
7.3.1 準(zhǔn)備工作 151
7.3.2 構(gòu)建網(wǎng)絡(luò) 152
7.3.3 訓(xùn)練網(wǎng)絡(luò) 153
7.3.4 完整程序 154
7.4 分類問題 155
7.5 用Python搭建一個解決分類問題的神經(jīng)網(wǎng)絡(luò) 156
7.5.1 準(zhǔn)備工作 156
7.5.2 構(gòu)建網(wǎng)絡(luò) 159
7.5.3 訓(xùn)練網(wǎng)絡(luò) 160
7.5.4 可視化 161
7.5.5 完整程序 162
7.6 小結(jié) 164
第8章 實戰(zhàn)2：貓狗識別問題 165
8.1 實戰(zhàn)目標(biāo) 166
8.1.1 目標(biāo)分析 166
8.1.2 樣本集 167
8.2 實現(xiàn)思路 167
8.2.1 構(gòu)建樣本集 168
8.2.2 測試樣本集 169
8.2.3 構(gòu)建網(wǎng)絡(luò) 170
8.2.4 訓(xùn)練網(wǎng)絡(luò) 171
8.2.5 測試網(wǎng)絡(luò) 172
8.3 完整程序及運行結(jié)果 172
8.3.1 構(gòu)建樣本集程序 172
8.3.2 測試樣本集程序 174
8.3.3 構(gòu)建網(wǎng)絡(luò)程序 175
8.3.4 訓(xùn)練網(wǎng)絡(luò)程序 177
8.3.5 可視化訓(xùn)練過程 179
8.3.6 測試網(wǎng)絡(luò)程序 180
8.3.7 模擬實際運用 181
8.4 對結(jié)果的思考 182
8.4.1 訓(xùn)練集和測試集準(zhǔn)確率的對比 182
8.4.2 準(zhǔn)確率低的原因 183
8.4.3 訓(xùn)練過程的啟示 184
8.5 小結(jié) 184
第9章 一些經(jīng)典的網(wǎng)絡(luò) 185
9.1 LeNet-5網(wǎng)絡(luò)模型 186
9.1.1 LeNet-5網(wǎng)絡(luò)簡介 186
9.1.2 LeNet-5網(wǎng)絡(luò)結(jié)構(gòu) 186
9.1.3 三維卷積 188
9.1.4 多維卷積 190
9.1.5 LeNet-5代碼實現(xiàn) 191
9.2 AlexNet網(wǎng)絡(luò)模型 192
9.2.1 AlexNet網(wǎng)絡(luò)簡介 193
9.2.2 AlexNet網(wǎng)絡(luò)結(jié)構(gòu) 193
9.2.3 Same卷積 194
9.2.4 Softmax分類器 196
9.2.5 AlexNet代碼實現(xiàn) 197
9.3 VGG16網(wǎng)絡(luò)模型 198
9.3.1 VGG16網(wǎng)絡(luò)簡介 198
9.3.2 VGG16網(wǎng)絡(luò)結(jié)構(gòu) 198
9.4 小結(jié) 200
第10章 實戰(zhàn)3：驗證碼識別問題 201
10.1 實戰(zhàn)目標(biāo) 202
10.1.1 目標(biāo)分析 202
10.1.2 生成樣本集 203
10.2 實現(xiàn)思路 205
10.2.1 構(gòu)建樣本集 206
10.2.2 構(gòu)建網(wǎng)絡(luò) 207
10.2.3 訓(xùn)練網(wǎng)絡(luò) 208
10.2.4 測試網(wǎng)絡(luò) 209
10.3 完整程序及運行結(jié)果 209
10.3.1 驗證碼分割程序 209
10.3.2 構(gòu)建訓(xùn)練集程序 211
10.3.3 構(gòu)建網(wǎng)絡(luò)程序 212
10.3.4 訓(xùn)練網(wǎng)絡(luò)程序 213
10.3.5 測試網(wǎng)絡(luò)程序 215
10.3.6 模擬實際運用 216
10.4 對結(jié)果的思考 217
10.4.1 訓(xùn)練集和測試集準(zhǔn)確率的對比 217
10.4.2 識別錯誤的原因 218
10.5 小結(jié) 219
第11章 優(yōu)化網(wǎng)絡(luò) 220
11.1 神經(jīng)網(wǎng)絡(luò)現(xiàn)存的幾個問題 221
11.1.1 無法真正模擬人腦 221
11.1.2 大樣本訓(xùn)練緩慢 222
11.1.3 深度網(wǎng)絡(luò)訓(xùn)練困難 222
11.1.4 梯度消失和爆炸 224
11.1.5 白盒問題 225
11.2 過擬合問題 226
11.2.1 什么是過擬合 226
11.2.2 解決過擬合問題的幾種方法 227
11.2.3 正則化 228
11.3 怎樣選擇每一層的節(jié)點數(shù)目 230
11.3.1 輸入層和輸出層的節(jié)點數(shù)目 230
11.3.2 隱含層的節(jié)點數(shù)目 230
11.4 如何加速訓(xùn)練 231
11.4.1 采用其他優(yōu)化算法 231
11.4.2 采用GPU訓(xùn)練 232
11.4.3 設(shè)置合適的學(xué)習(xí)率 232
11.4.4 在合適的時間停止訓(xùn)練 233
11.5 人工智能的未來發(fā)展趨勢 233
11.5.1 人工智能的發(fā)展現(xiàn)狀 233
11.5.2 人工智能的發(fā)展趨勢 234
11.6 小結(jié) 234