零基礎入門 Python 深度學習
內容描述
本書從基礎知識開始講解深度學習的原理和應用，包括該領域的發展、深度學習的入門知識、深度學習模型的理論、代碼和實際應用中的優化。
本書共12章，主要內容包括深度學習基礎、深度學習的環境準備、深度學習的知識準備、神經網絡基礎知識、使用Keras構建神經網絡、神經網絡的進一步優化、卷積神經網絡、使用Keras構建卷積神經網絡、卷積神經網絡可視化、遷移學習、循環神經網絡和使用Keras構建循環神經網絡等。對於本書中介紹的深度學習模型，我們提供了實例代碼供讀者學習。
本書作為深度學習的入門書籍，適合希望從零開始瞭解深度學習技術，並且快速掌握深度學習理論和使用深度學習工具的學生和技術人員閱讀。
目錄大綱
前言
第1章深度學習入門1
1.1什麼是深度學習1
1.1.1深度學習是一種特定類型的機器學習2
1.1.2深度學習是數學問題3
1.1.3深度學習是一個黑箱5
1.2深度學習的發展6
1.3認識當前的深度學習7
1.3.1為什麼是現在8
1.3.2當數據成為「燃料」8
1.3.3深度學習的突破10
1.4深度學習的應用領域12
1.4.1深度學習適合做什麼12
1.4.2深度學習的應用場景14
1.5如何入門深度學習15
第2章深度學習的環境準備17
2.1選擇Python作為深度學習的編程語言17
2.2深度學習常用框架介紹18
2.3選擇適合自己的框架21
2.4Python的安裝25
2.4.1概述25
2.4.2安裝Anaconda26
2.4.3使用conda進行環境管理和包管理27
2.5Keras的安裝29
2.5.1什麼是Keras29
2.5.2安裝TensorFlow30
2.5.3安裝Keras31
第3章深度學習的知識準備32
3.1概率論33
3.1.1什麼是概率33
3.1.2概率分佈35
3.1.3信息論38
3.2線性代數40
3.2.1矩陣40
3.2.2矩陣的運算43
3.2.3從矩陣中取值45
3.2.4相關術語46
3.3導數47
3.3.1什麼是導數48
3.3.2鍊式法則49
3.4機器學習基礎50
3.4.1監督學習50
3.4.2分類和回歸51
3.4.3訓練、驗證和預測53
第4章神經網絡56
4.1神經網絡與深度學習56
4.1 .1生物學中的神經網絡56
4.1.2深度學習網絡58
4.2前向傳播算法60
4.2.1神經網絡的表示60
4.2.2神經元的計算61
4.2.3激活函數62
4.2.4神經網絡的前向傳播64
4.3反向傳播算法67
4.3.1神經網絡的訓練68
4.3.2損失函數69
4.3.3梯度下降71
4.3.4神經網絡的反向傳播73
4.4更好地訓練神經網絡75
4.4. 1選擇正確的損失函數75
4.4.2選擇通用的激活函數76
4.4.3更合適的優化算法76
4.4.4選擇合適的批量77
4.4.5參數初始化78
第5章使用Keras構建神經網絡80
5.1Keras中的模型81
5.2Keras中的網絡層82
5.3模型的編譯83
5.3.1優化器83
5.3.2損失函數84
5.3.3性能評估85
5.4訓練模型85
5.5使用訓練好的模型86
5.6實例：手寫體分類問題86
5.7Keras批量訓練大量數據92
5.8在Keras中重複使用模型97
第6章神經網絡的進一步優化100
6.1過擬合100
6.2梯度消失和梯度爆炸106
6.3局部最優110
6.4批量歸一化111
第7章卷積神經網絡115
7.1計算機視覺和圖像識別115
7.2卷積神經網絡基礎118
7.2.1卷積神經網絡的結構118
7.2.2卷積層119
7.2.3池化層125
7.2.4卷積神經網絡的設計126
7.3為什麼要使用卷積神經網絡128
7.4圖像處理數據集130
7.5CNN發展歷程133
7.5.1AlexNet134
7.5.2VGG136
7.5.3Inception138
7.5.4ResNet139
第8章使用Keras構建卷積神經網絡144
8.1Keras中的卷積層144
8.2Keras中的池化層147
8.3Keras中的全連接層148
8.4實例1：使用卷積神經網絡處理手寫體分類問題148
8.5實例2：重復使用已經訓練好的卷積神經網絡模型152
8.6圖像的數據增強158
8.6.1使用ImageDataGenerator進行數據增強158
8.6.2使用增強數據進行模型訓練163
第9章卷積神經網絡可視化166
9.1概述166
9.2對神經網絡進行可視化168
9.2.1可視化神經網絡的中間層168
9.2.2可視化過濾器173
9.3對關注點進行可視化176
9.3.1顯著圖177
9.3.2類激活圖180
9.4自動駕駛的應用182
第10章遷移學習185
10.1什麼是遷移學習185
10.2為什麼要使用遷移學習186
10.3遷移學習的適用性187
10.4在Keras中進行遷移學習189
10.4.1在MNIST上遷移學習的例子190
10.4.2遷移學習的適用情況193
10.4.3實例194
第11章循環神經網絡205
11.1神經網絡中的序列問題205
11.2循環神經網絡的使用207
11.2.1輸入輸出207
11.2.2前向傳播209
11.2.3反向傳播213
11.3長短期記憶網絡215
11.4應用場景217
第12章使用Keras構建循環神經網絡221
12.1Keras中的循環層221
12.2Keras中的嵌入層224
12.3IMDB實例226
12.3.1全連接網絡227
12.3.2SimpleRNN229
12.3.3LSTM231
12.3. 4雙向循環神經網絡232
12.3.5用了卷積層的循環網絡結構234
12.4LSTM實例237
12.4.1深度學習中的時間序列問題237
12.4.2使用更多的歷史信息242
12.4.3多個時間步長的預測244
12.5有狀態的循環神經網絡247
12.5.1字母預測問題248
12.5.2有狀態的LSTM252
