深度学习应用与实战

封面

版权信息

内容简介

《深度学习应用与实战》编委会

前言

第1部分 深度学习基础算法与应用

第1章 单层神经网络

1.1 深度学习的基本概念

1.1.1 深度学习的概述

1.1.2 神经网络

1.2 深度学习框架

1.2.1 常见框架介绍

1.2.2 张量

1.3 单层神经网络的概述

1.3.1 回归模型

1.3.2 二分类模型

1.3.3 多分类模型

1.4 单层神经网络实现鸢尾花分类

1.4.1 使用TensorFlow实现鸢尾花分类

1.4.2 使用PyTorch实现鸢尾花分类

本章总结

作业与练习

第2章 多层神经网络

2.1 多层神经网络的概述

2.1.1 隐藏层的意义

2.1.2 激活函数

2.1.3 反向传播

2.1.4 异或处理代码实现

2.2 梯度下降算法

2.2.1 批量梯度下降算法

2.2.2 随机梯度下降算法

2.2.3 小批量梯度下降算法

2.3 正则化处理

2.3.1 L1正则化与L2正则化

2.3.2 Dropout正则化

2.3.3 提前停止

2.3.4 批量标准化

2.4 手写数字识别

2.4.1 MNIST数据集简介

2.4.2 使用TensorFlow实现MNIST手写数字分类

2.4.3 使用PyTorch实现MNIST手写数字分类

本章总结

作业与练习

第3章 卷积神经网络

3.1 图像基础原理

3.1.1 像素

3.1.2 灰度值

3.1.3 彩色图像表达

3.2 卷积的作用及原理

3.2.1 卷积的概述

3.2.2 卷积运算的原理

3.2.3 卷积运算的方式

3.2.4 卷积表达的含义

3.2.5 卷积相关术语

3.3 卷积神经网络的基本结构

3.3.1 卷积神经网络的网络结构

3.3.2 卷积层

3.3.3 ReLU层

3.3.4 池化层

3.3.5 全连接层

3.4 基于卷积神经网络实现MNIST手写数字识别

3.4.1 构建卷积神经网络模型

3.4.2 使用TensorFlow实现卷积神经网络MNIST手写数字分类

3.4.3 使用PyTorch实现卷积神经网络MNIST手写数字分类

本章总结

作业与练习

第4章 优化算法与模型管理

4.1 数据增强

4.1.1 数据增强的意义

4.1.2 使用TensorFlow实现数据增强

4.1.3 使用PyTorch实现数据增强

4.2 梯度下降优化

4.2.1 梯度下降优化的必要性

4.2.2 Momentum优化器

4.2.3 Adagrad优化器

4.2.4 RMSprop优化器

4.2.5 Adam优化器

4.3 模型的保存与加载

4.3.1 TensorFlow模型保存与加载

4.3.2 PyTorch模型保存与加载

4.4 项目案例：车辆识别

4.4.1 汽车数据集

4.4.2 项目案例实现

本章总结

作业与练习

第2部分 深度学习进阶算法与应用

第5章 深度卷积神经网络

5.1 深度卷积神经网络的概述

5.2 AlexNet

5.2.1 AlexNet的网络结构

5.2.2 构建AlexNet模型

5.3 VGG

5.3.1 VGG的网络结构

5.3.2 构建VGG模型

5.4 NiN

5.4.1 NiN的网络结构

5.4.2 构建NiN模型

5.5 GoogLeNet

5.5.1 GoogLeNet的网络结构

5.5.2 构建GoogLeNet模型