Python迁移学习电子书

版权

版权声明

内容提要

序言

作者简介

审稿人简介

致谢

前言

资源与支持

第1部分 深度学习基础

第1章 机器学习基础

1.1 什么是机器学习

1.1.1 机器学习的正式定义

1.1.2 浅层学习和深度学习

1.2 机器学习算法

1.2.1 监督学习

1.2.2 无监督学习

1.3 CRISP-DM

1.3.1 业务理解

1.3.2 数据理解

1.3.3 数据准备

1.3.4 建模

1.3.5 评估

1.3.6 部署

1.4 标准机器学习工作流

1.4.1 数据检索

1.4.2 数据准备

1.4.3 建模

1.4.4 模型评估和调优

1.4.5 部署和监控

1.5 探索性数据分析

1.6 特征提取和特征工程

特征工程策略

1.7 特征选择

1.8 总结

第2章 深度学习精要

2.1 什么是深度学习

2.2 深度学习框架

2.3 创建一个支持GPU的云端深度学习环境

2.3.1 选择一个云供应商

2.3.2 设置虚拟服务器

2.3.3 配置虚拟服务器

2.3.4 安装和升级深度学习依赖项

2.3.5 访问深度学习云环境

2.3.6 在深度学习环境中验证启用GPU

2.4 创建一个支持GPU的、健壮的内部深度学习环境

2.5 神经网络基础

2.5.1 一个简单的线性神经元

2.5.2 基于梯度的最优化问题

2.5.3 雅可比矩阵和海森矩阵

2.5.4 导数的链式法则

2.5.5 随机梯度下降法

2.5.6 非线性神经单元

2.5.7 学习一个简单的非线性单元——逻辑单元

2.5.8 损失函数

2.5.9 数据表示

2.5.10 多层神经网络

2.5.11 反向传播——训练深度神经网络

2.5.12 神经网络学习中的挑战

2.5.13 模型参数初始化

2.5.14 提升SGD

2.5.15 神经网络的过拟合和欠拟合

2.5.16 神经网络的超参数

2.6 总结

第3章 理解深度学习架构

3.1 神经网络架构

为什么需要不同的架构

3.2 各种神经网络架构

3.2.1 多层感知机和深度神经网络

3.2.2 自编码神经网络

3.2.3 变分自编码器

3.2.4 生成式对抗网络

3.2.5 卷积神经网络

3.2.6 胶囊网络

3.2.7 递归神经网络

3.2.8 记忆神经网络

3.2.9 神经图灵机

3.2.10 基于注意力的神经网络模型

3.3 总结

第2部分 迁移学习精要

第4章 迁移学习基础

4.1 迁移学习简介

迁移学习的优点

4.2 迁移学习策略

4.3 迁移学习和深度学习

4.3.1 迁移学习方法论

4.3.2 预训练模型

4.3.3 应用

4.4 深度迁移学习类型

4.4.1 领域适应

4.4.2 领域混淆

4.4.3 多任务学习

4.4.4 一次性学习

4.4.5 零样本学习

4.5 迁移学习的挑战

4.5.1 负向迁移

4.5.2 迁移边界

4.6 总结

第5章 释放迁移学习的威力

5.1 迁移学习的必要性

5.1.1 阐述现实世界问题

5.1.2 构建数据集

5.1.3 描述方法

5.2 从零开始构建CNN模型

5.2.1 基本CNN模型

5.2.2 正则化的CNN模型

5.2.3 图像增强的CNN模型

5.3 使用预训练的CNN模型利用迁移学习

5.3.1 理解VGG-16模型

5.3.2 作为特征提取器的预训练CNN模型

5.3.3 作为特征提取器并使用图像增强的预训练CNN模型

5.3.4 使用微调和图像增强的预训练CNN模型

5.4 评估我们的深度学习模型

5.4.1 模型在一个样本测试图像上进行预测

5.4.2 将CNN模型的感知可视化

5.4.3 在测试数据上评估模型性能

5.5 总结

第3部分 迁移学习案例研究

第6章 图像识别和分类

6.1 基于深度学习的图像分类

6.2 基准数据集

6.3 最先进的深度图像分类模型

6.4 图像分类和迁移学习

6.4.1 CIFAR-10数据集

6.4.2 犬种鉴定数据集

6.5 总结

第7章 文本文档分类

7.1 文本分类

7.1.1 传统文本分类

7.1.2 BoW模型的缺点

7.1.3 基准数据集

7.2 单词表示形式

7.2.1 Word2vec模型

7.2.2 使用gensim框架的Word2vec模型

7.2.3 GloVe模型

7.3 CNN文档模型

7.3.1 构建一个评论情感分类器

7.3.2 哪些单词嵌入变化最大

7.3.3 迁移学习在IMDB数据集中的应用

7.3.4 使用Wordvec嵌入在完整的IMDB数据集上进行训练

7.3.5 使用CNN模型创建文档摘要

7.3.6 使用CNN模型进行多类别分类

7.3.7 文档嵌入可视化

7.4 总结

第8章 音频事件识别和分类

8.1 理解音频事件分类

阐述现实世界问题

8.2 音频事件的探索性分析

8.3 音频事件的特征工程和表示方法

8.4 使用迁移学习进行音频事件分类

8.4.1 根据基本特征构建数据集

8.4.2 利用迁移学习进行特征提取

8.4.3 构建分类模型

8.4.4 评估分类器的性能

8.5 构建一个深度学习音频事件识别器

8.6 总结

第9章 DeepDream

9.1 介绍

9.1.1 计算机视觉中的算法幻想性视错觉

9.1.2 可视化特征图

9.2 DeepDream算法

例子

9.3 总结

第10章 风格迁移

10.1 理解神经风格迁移

10.2 图像预处理方法

10.3 构建损失函数

10.3.1 内容损失

10.3.2 风格损失

10.3.3 总变差损失

10.3.4 总体损失函数

10.4 创建一个自定义优化器

10.5 风格迁移实战

10.6 总结

第11章 自动图像扫描生成器

11.1 理解图像描述

11.2 明确目标

11.3 理解数据

11.4 构建自动图像描述系统的方法

11.4.1 概念方法

11.4.2 实际动手的方法

11.5 使用迁移学习的图像特征提取

11.6 为描述构建一个词汇表

11.7 构建一个图像描述数据集生成器

11.8 构建图像语言编码器-解码器深度学习模型

11.9 训练图像描述深度学习模型

11.10 评估图像描述深度学习模型

11.10.1 加载数据和模型

11.10.2 理解贪婪搜索和集束搜索

11.10.3 实现一个基于集束搜索的描述生成器

11.10.4 理解并实现BLEU分数

11.10.5 在测试数据上评估模型性能

11.11 自动图像描述实战

11.11.1 户外场景样本图像描述

11.11.2 流行运动样本图像描述

11.11.3 未来的改进空间

11.12 总结

第12章 图像着色

12.1 问题陈述

12.2 彩色图像

12.2.1 颜色理论

12.2.2 颜色模型和颜色空间

12.2.3 重审问题陈述

12.3 构建一个着色深度神经网络

12.3.1 预处理

12.3.2 损失函数

12.3.3 编码器

12.3.4 迁移学习——特征提取

12.3.5 融合层

12.3.6 解码器

12.3.7 后处理

12.3.8 训练和结果

12.4 挑战

12.5 进一步改进

12.6 总结