實戰(zhàn)深度學習：原理、框架及應用

目錄
第1章深度學習初識1
1.1什么是深度學習1
1.1.1深度學習與機器學習的關系1
1.1.2深度學習與人工智能的關系2
1.1.3深度學習的應用案例2
1.2機器學習初識4
1.2.1機器學習概述4
1.2.2機器學習的分支5
1.3神經(jīng)網(wǎng)絡初識8
1.3.1神經(jīng)網(wǎng)絡的來源8
1.3.2人工神經(jīng)網(wǎng)絡與神經(jīng)元模型8
1.4本章小結9
思考題10
第2章深度學習主流工具及框架11
2.1開發(fā)環(huán)境的搭建及使用11
2.1.1下載及安裝Anaconda開發(fā)工具11
2.1.2Python庫的導入與添加13
2.1.3Anaconda命令簡介14
2.2深度學習的主要框架15
2.2.1TensorFlow概況16
2.2.2CPU版環(huán)境搭建與調(diào)用17
2.2.3GPU版環(huán)境搭建與調(diào)用19
2.2.4Keras的調(diào)用24
2.3本章小結25
思考題26
第3章神經(jīng)網(wǎng)絡的原理及實現(xiàn)27
3.1數(shù)學基礎27
3.1.1張量27
3.1.2導數(shù)28
3.2神經(jīng)網(wǎng)絡模型及結構29
3.2.1MP神經(jīng)元模型30
3.2.2感知機31
3.2.3前向傳播32
3.2.4反向傳播34
3.3激活函數(shù)35
3.3.1Sigmoid函數(shù)35
3.3.2Tanh函數(shù)36
3.3.3ReLU函數(shù)38
3.3.4Swish函數(shù)39
3.4損失函數(shù)40
3.4.1均值平方差40
3.4.2交叉熵41
3.5優(yōu)化方法: 梯度下降41
3.5.1批量梯度下降42
3.5.2隨機梯度下降42
3.5.3小批量梯度下降42
3.6綜合案例: 搭建簡單的神經(jīng)網(wǎng)絡43
3.6.1基本功能函數(shù)43
3.6.2簡單神經(jīng)網(wǎng)絡的搭建44
3.6.3擬合函數(shù)可視化46
3.7本章小結48
思考題48
第4章卷積神經(jīng)網(wǎng)絡49
4.1卷積神經(jīng)網(wǎng)絡入門49
4.1.1卷積神經(jīng)網(wǎng)絡概述49
4.1.2卷積神經(jīng)網(wǎng)絡的結構50
4.2卷積運算52
4.2.1卷積函數(shù)53
4.2.2卷積實例54
4.3池化運算59
4.3.1池化函數(shù)60
4.3.2池化實例61
4.4綜合案例: 手寫數(shù)字識別65
4.4.1MNIST數(shù)據(jù)集初識65
4.4.2手寫數(shù)字識別模型構建和訓練67
4.5本章小結71
思考題72
第5章循環(huán)神經(jīng)網(wǎng)絡73
5.1循環(huán)神經(jīng)網(wǎng)絡入門73
5.1.1循環(huán)神經(jīng)網(wǎng)絡概述73
5.1.2序列數(shù)據(jù)74
5.1.3循環(huán)神經(jīng)網(wǎng)絡結構75
5.1.4梯度消失和梯度爆炸76
5.2長短期記憶網(wǎng)絡——LSTM78
5.2.1長期依賴問題78
5.2.2長短期記憶網(wǎng)絡結構79
5.3綜合案例: 語義情感分析83
5.4本章小結88
思考題88
第6章生成對抗網(wǎng)絡89
6.1生成對抗網(wǎng)絡初識89
6.1.1生成對抗網(wǎng)絡概述89
6.1.2生成對抗網(wǎng)絡基本模型89
6.2生成對抗網(wǎng)絡的基本原理90
6.3綜合案例: 仿照手寫字體91
6.4本章小結98
思考題98
第7章基于深度學習的目標檢測99
7.1目標檢測基礎99
7.1.1數(shù)據(jù)集99
7.1.2性能指標100
7.1.3錨點101
7.1.4錨框101
7.1.5非極大值抑制101
7.2傳統(tǒng)的目標檢測101
7.2.1ViolaJones102
7.2.2方向梯度直方圖103
7.2.3DPM105
7.2.4綜合案例: DPM行人檢測106
7.3結合候選區(qū)域和CNN分類的目標檢測框架110
7.3.1RCNN110
7.3.2SPPNET111
7.3.3Fast RCNN113
7.3.4Faster RCNN114
7.4回歸問題的端到端的目標檢測框架117
7.4.1YOLO117
7.4.2SSD118
7.4.3綜合案例: YOLO目標檢測118
7.5本章小結122
思考題122
第8章基于深度學習的圖像分割123
8.1基于圖論的方法123
8.1.1NormalizedCut124
8.1.2GraphCut124
8.1.3GrabCut125
8.1.4綜合案例: GrabCut前景提取126
8.2基于聚類的方法127
8.2.1K均值聚類128
8.2.2譜聚類128
8.2.3Meanshift129
8.2.4SLIC129
8.2.5聚類應用130
8.2.6綜合案例: SLIC分割超像素131
8.3基于深度語義的方法132
8.3.1FCN132
8.3.2DeepLab系列133
8.3.3PSPNet133
8.3.4UNet135
8.3.5SegNet135
8.3.6綜合案例: 細胞壁檢測136
8.4本章小結142
思考題142
第9章基于深度學習的人臉識別143
9.1訓練圖像數(shù)據(jù)采集143
9.1.1訓練圖像數(shù)據(jù)源143
9.1.2爬取圖像數(shù)據(jù)集144
9.2CNN人臉識別設計146
9.2.1CNN人臉識別設計方案146
9.2.2CNN圖像處理146
9.2.3圖像預處理148
9.3CNN模型搭建149
9.3.1搭建卷積層150
9.3.2搭建池化層150
9.3.3選取激活函數(shù)151
9.3.4選取優(yōu)化器151
9.3.5自定義損失函數(shù)152
9.3.6設置參數(shù)調(diào)整學習效率152
9.3.7訓練CNN模型154
9.3.8模型保存加載與評估155
9.3.9模型測試156
9.4口罩佩戴識別增強157
9.5本章小結158
思考題158
第10章基于深度學習的文本自動生成159
10.1訓練文本數(shù)據(jù)采集159
10.1.1訓練文本數(shù)據(jù)源159
10.1.2訓練文本數(shù)據(jù)整理160
10.2LSTM五言律詩自動生成設計160
10.2.1文本預處理161
10.2.2文本數(shù)據(jù)標準化161
10.2.3LSTM模型搭建162
10.2.4訓練LSTM模型162
10.3測試LSTM模型163
10.3.1生成序列數(shù)據(jù)163
10.3.2定義采樣方法163
10.4本章小結166
思考題166
第11章深度學習展望167
11.1深度學習的探索方向167
11.1.1設計更好的深度學習框架167
11.1.2發(fā)現(xiàn)更好的網(wǎng)絡模型167
11.2深度學習的應用場景展望168
11.2.1教育領域168
11.2.2金融領域168
11.2.3醫(yī)療領域168
11.2.4文藝領域169
11.2.5無人服務169
11.3本章小結169
參考文獻170