Python深度学习实战

译者序
原书前言
章编程环境、GPU计算、云解决方案和深度学习框架 1
1.1简介 1
1.2搭建一个深度学习环境 2
1.3在AWS上启动实例 2
· · · · · · (更多)

译者序
原书前言
章编程环境、GPU计算、云解决方案和深度学习框架 1
1.1简介 1
1.2搭建一个深度学习环境 2
1.3在AWS上启动实例 2
1.4在GCP上启动实例 3
1.5安装CUDA和cuDNN 4
1.6安装Anaconda和库文件 6
1.7连接服务器上的JupyterNotebooks 7
1.8用 TensorFlow构建进的即用模型 8
1.9直观地用Keras建立网络 10
1.10使用PyTorch的RNN动态计算图 12
1.11用CNTK实现高性能模型 14
1.12使用MXNet构建高效的模型 15
1.13使用简单、高效的Gluon编码定义网络 17
第2章前馈神经网络 19
2.1简介 19
2.2理解感知器 19
2.3实现一个单层神经网络 23
2.4构建一个多层神经网络 27
2.5开始使用激活函数 30
2.6关于隐层和隐层神经元的实验 35
2.7实现一个自动编码器 38
2.8调整损失函数 41
2.9测试不同的优化器 44
2.10使用正则化技术提高泛化能力 47
2.11添加Dropout以防止过拟合 51
第3章卷积神经网络 56
3.1简介 56
3.2开始使用滤波器和参数共享 56
3.3应用层合并技术 60
3.4使用批量标准化进行优化 62
3.5理解填充和步长 66
3.6试验不同类型的初始化 72
3.7实现卷积自动编码器 76
3.8将一维CNN应用于文本 79
第4章递归神经网络 81
4.1简介 81
4.2实现一个简单的RNN 82
4.3添加LSTM 84
4.4使用GRU 86
4.5实现双向RNN 89
4.6字符级文本生成 91
第5章强化学习 95
5.1简介 95
5.2实现策略梯度 95
5.3实现深度Q学习算法 102
第6章生成对抗网络 109
6.1简介 109
6.2了解GAN 109
6.3实现DCGAN 112
6.4使用SRGAN来提高图像分辨率 117
第7章计算机视觉 125
7.1简介 125
7.2利用计算机视觉技术增广图像 125
7.3图像中的目标分类 130
7.4目标在图像中的本地化 134
7.5实时检测框架 139
7.6用U-net将图像分类 139
7.7语义分割与场景理解 143
7.8寻找人脸面部关键点 147
7.9人脸识别 151
7.10将样式转换为图像 157
第8章自然语言处理 162
8.1简介 162
8.2情绪分析 162
8.3句子翻译 165
8.4文本摘要 169
第9章语音识别和视频分析 174
9.1简介 174
9.2从零开始实现语音识别流程 174
9.3使用语音识别技术辨别讲话人 177
9.4使用深度学习理解视频 181
0章时间序列和结构化数据 185
10.1简介 185
10.2使用神经网络预测股票价格 185
10.3预测共享单车需求 189
10.4使用浅层神经网络进行二元分类 192
1章游戏智能体和机器人 194
11.1简介 194
11.2通过端到端学习来驾驶汽车 194
11.3通过深度强化学习来玩游戏 199
11.4用GA优化超参数 205
2章超参数选择、调优和神经网络学习 211
12.1简介 211
12.2用TensorBoard和Keras可视化训练过程 211
12.3使用批量和小批量工作 215
12.4使用网格搜索调整参数 219
12.5学习率和学习率调度 221
12.6比较优化器 224
12.7确定网络的深度 227
12.8添加Dropout以防止过拟合 227
12.9通过数据增广使模型更加鲁棒 232
12.10利用TTA来提高精度 234
3章网络内部构造 235
13.1简介 235
13.2用TensorBoard可视化训练过程 235
13.3用TensorBoard可视化网络结构 239
13.4分析网络权重等 239
13.5冻结层 244
13.6存储网络结构并训练权重 246
4章预训练模型 250
14.1简介 250
14.2使用GoogLeNet/Inception进行大规模视觉识别 250
14.3用ResNet提取瓶颈特征 252
14.4对新类别使用预训练的VGG模型 253
14.5用Xception细调 256
· · · · · · (收起)