深度學習理論與實戰(zhàn)：PyTorch案例詳解

目錄




第1章支持向量機

1．1SVM的原理

1．2SVM求解

1．3核函數(shù)

1．4軟間隔

1．5小結

第2章線性回歸與非線性回歸

2．1線性回歸

2．1．1線性回歸問題的一般形式

2．1．2線性回歸中的最優(yōu)化問題

2．1．3問題的求解

2．2非線性回歸分析

2．3初見梯度下降

2．4Python圖解梯度下降

2．5小結

第3章基于規(guī)則的決策樹模型

3．1決策樹發(fā)展史

3．2決策樹算法

3．2．1ID3算法

3．2．2C4．5

3．2．3CART

3．2．4隨機森林

3．3Boosting家族

3．3．1XGBoost

3．3．2LightGBM

3．3．3CatBoost

3．4小結

第4章遺傳算法家族

4．1遺傳算法

4．1．1編碼

4．1．2初始化種群

4．1．3自然選擇

4．1．4交叉重組

4．1．5基因突變

4．1．6收斂

4．1．7遺傳算法總結

4．2蟻群算法

4．2．1螞蟻系統(tǒng)

4．2．2精英螞蟻系統(tǒng)

4．2．3最大最小螞蟻系統(tǒng)

4．2．4小結

第5章神經(jīng)網(wǎng)絡

5．1基本組成

5．1．1神經(jīng)元

5．1．2層

5．2反向傳播

5．2．1復習

5．2．2鋪墊

5．2．3公式推導

5．3反向傳播神經(jīng)網(wǎng)絡

5．4卷積神經(jīng)網(wǎng)絡

5．4．1卷積運算

5．4．2卷積層

5．4．3池化層

5．5循環(huán)神經(jīng)網(wǎng)絡

5．5．1RNN用途

5．5．2RNN結構

5．5．3RNN的反向傳播——BPTT

5．6小結

第6章深度神經(jīng)網(wǎng)絡

6．1概述

6．2VGG網(wǎng)絡

6．3GoogLeNet

6．3．1Inception v1

6．3．2Inception v2/v3

6．3．3Inception v4

6．3．4InceptionResnet

6．3．5GoogLeNet小結

6．4Resnet

6．5MobileNet

6．5．1CNN計算量如何計算

6．5．2深度可分離卷積

6．5．3ReLU6

6．5．4倒殘差

6．6EfficientNet

6．6．1模型的數(shù)學表達

6．6．2復合縮放

6．7風格遷移

6．7．1內容損失函數(shù)

6．7．2風格損失函數(shù)

6．7．3風格遷移的梯度下降

第7章循環(huán)神經(jīng)網(wǎng)絡

7．1長短期記憶網(wǎng)絡

7．1．1LSTM結構

7．1．2LSTM出現(xiàn)原因

7．2GRU

7．3注意力機制

7．3．1編碼解碼框架

7．3．2Attention結構

第8章無監(jiān)督學習

8．1什么是無監(jiān)督學習

8．2聚類算法

8．2．1Kmeans算法

8．2．2分級聚類

8．2．3具有噪聲的基于密度的聚類方法

8．3生成對抗網(wǎng)絡

8．3．1通俗易懂的解釋

8．3．2原理推導

8．3．3損失函數(shù)的問題

8．3．4條件生成對抗網(wǎng)絡

8．4自編碼器

8．4．1自編碼器概述

8．4．2去噪自編碼器

8．4．3變分自編碼器

第9章目標檢測

9．1目標檢測概述

9．1．1通俗理解

9．1．2鋪墊知識點

9．1．3發(fā)展史

9．2YOLO v1

9．2．1輸出

9．2．2網(wǎng)絡

9．2．3輸入

9．2．4損失函數(shù)

9．2．5小結

9．3YOLO v2

9．3．1mAP

9．3．2改進

9．3．3整體流程

9．3．4小結

9．4YOLO v3

第10章強化學習

10．1鋪墊知識

10．1．1什么是RL

10．1．2馬爾可夫決策過程

10．1．3回報Return

10．1．4價值函數(shù)

10．1．5貝爾曼方程

10．2DQN

10．2．1DQN損失函數(shù)

10．2．2DQN訓練技巧

10．2．3DDQN

10．2．4基于優(yōu)先級的記憶回放

10．2．5Dueling DQN

10．3全面講解基礎知識

10．3．1策略梯度

10．3．2ActorCritic行動者評論家算法

10．3．3A2C與優(yōu)勢函數(shù)

10．3．4Offpolicy

10．3．5連續(xù)動作空間

第11章GAN進階與變種

11．1基礎GAN存在的問題

11．2DCGAN

11．2．1反卷積(轉置卷積+微步卷積)

11．2．2空洞卷積

11．3WGAN

11．3．1GAN問題的再探討

11．3．2解決方案

11．4WGANGP

11．4．1WGAN的問題

11．4．2梯度懲罰

11．5VAEGAN

11．6CVAEGAN


第12章實戰(zhàn)1： 決策樹與隨機森林

12．1數(shù)據(jù)集介紹

12．1．1乳腺癌數(shù)據(jù)簡介

12．1．2任務介紹

12．2解決思路

12．2．1Pandas庫與Sklearn介紹

12．2．2探索數(shù)據(jù)

12．2．3決策樹模型

12．2．4隨機森林模型

12．3小結

第13章實戰(zhàn)2： MNIST手寫數(shù)字分類

13．1數(shù)據(jù)集介紹

13．1．1MNIST簡介

13．1．2任務介紹

13．2解決思路

13．2．1圖像處理

13．2．2構建模型的三要素

13．2．3訓練模型

13．2．4評估模型

13．3進一步改進finetune

13．4小結

第14章實戰(zhàn)3： GAN基礎之手寫數(shù)字對抗生成

14．1GAN任務描述

14．2GAN解決過程及講解

14．2．1數(shù)據(jù)準備

14．2．2模型搭建

14．2．3訓練過程(核心)

14．3GAN進化——CGAN

14．4小結

14．5問題發(fā)現(xiàn)

第15章實戰(zhàn)4： GAN進階與優(yōu)化

15．1前情提要

15．2WGAN(2017)

15．3WGANGP(2017)

15．4DCGAN(2016)

15．5CVAEGAN

第16章實戰(zhàn)5： 風格遷移

16．1任務介紹

16．2解決思路

16．2．1加載模型

16．2．2加載圖片

16．2．3獲取特征圖和Gram矩陣

16．2．4AI作畫

16．3小結

第17章實戰(zhàn)6： 目標檢測(YOLO)

17．1Darknet．py

17．1．1__init__(self)

17．1．2forward(self,x)

17．1．3小結

17．2Detect．py

第18章實戰(zhàn)7： 人臉檢測

18．1什么是MTCNN

18．2MTCNN流程

18．2．1圖像金字塔

18．2．2PNet

18．2．3RNet

18．2．4ONet

18．3訓練過程

第19章實戰(zhàn)8： 自然語言處理

19．1正則表達式

19．2快速上手textblob

19．2．1極性分析和詞性標注

19．2．2詞干提取和拼寫校正

19．2．3單詞字典

19．3基本概念

19．3．1樸素貝葉斯

19．3．2Ngram模型

19．3．3混淆矩陣

19．4基于樸素貝葉斯的垃圾郵件分類

19．5基于隨機森林的垃圾郵件分類

第20章Python與PyTorch相關

20．1PyTorch模型類

20．2PyTorch的data類

20．3激活函數(shù)

20．4損失函數(shù)

20．4．1均方誤差

20．4．2交叉熵

20．5model．train()與model．eval()

20．6Python的命令行庫argparse

第21章機器學習相關

21．1訓練集、測試集、驗證集

21．2epoch、batch、minibatch等

21．3規(guī)范化

21．3．1內部協(xié)變量偏移

21．3．2批規(guī)范化

21．3．3BN vs LN

21．4SGD與MBGD

21．5適應性矩估計

21．5．1Momentum

21．5．2AdaGrad

21．5．3RMSProp

21．5．4Adam算法小結

21．6正則化與范式

21．7標簽平滑正則化

21．8RBM與DBN

21．9圖片的RGB和HSV

21．10網(wǎng)中網(wǎng)結構

21．11K近鄰算法

21．12模擬退火算法

21．13流形學習

21．14端側神經(jīng)網(wǎng)絡GhostNet(2019)

21．14．1Ghost Module

21．14．2分組卷積

21．14．3SE Module

參考文獻