深度学习入门与TensorFlow实践电子书

内容提要

前 言

本书特点

面向的读者

内容和结构

学习本书的收获

服务与支持

提交勘误

与我们联系

关于异步社区和异步图书

第1章 深度学习简介

1.1 什么是深度学习

1.1.1 机器学习简介

1.1.2 深度学习与传统机器学习算法的区别

1.1.3 深度学习与人类神经网络的关系

1.2 为什么需要学习深度学习

1．深度学习使人工智能快速进步

2．深度学习可能改变人们的生活和工作方式

3．深度学习很有趣

1.3 谁需要学习深度学习

1.4 学深度学习之后，你可以做什么

1.5 本章小结

第2章 数学和Python基础知识

2.1 线性代数

2.1.1 数、向量、矩阵和张量

2.1.2 矩阵的转置

2.1.3 矩阵的基本运算

2.1.4 向量和矩阵的范数

2.2 微积分

2.2.1 导数的概念

2.2.2 求导法则

2.3 概率论

2.3.1 随机变量

2.3.2 随机变量的分布

2.3.3 常见的概率分布

2.3.4 条件概率

2.4 Anaconda

2.4.1 安装Anaconda

2.4.2 包的管理

2.4.3 环境的管理

2.5 Jupyter Notebook

2.5.1 安装Jupyter Notebook

2.5.2 打开和关闭Jupyter Notebook

2.5.3 代码框

2.5.4 标记框

1．标题

2．强调

3．无序列表

4．有序列表

5．链接

6．图片

7．表格

8．数学公式

2.6 Python

2.6.1 Python基础

2.6.2 Python基本数据结构

1．列表

2．元组

3．字典

4．集合

2.6.3 控制结构和函数

1．控制结构

2．自定义函数

2.6.4 NumPy库

1．创建数组

2．数组的运算

3．数组的元素访问

2.6.5 Pandas

1．序列和数据表的创建

2．数据表元素的访问

3．数据表的基本探索

2.6.6 画图工具

2.7 本章小结

第3章 线性模型

3.1 线性回归模型

3.1.1 线性回归模型简介

3.1.2 随机梯度下降法

3.1.3 全数据梯度下降法

3.1.4 批量随机梯度下降法

3.1.5 学习步长

3.1.6 标准化和中心化

3.1.7 3种梯度下降法的对比

3.2 logistic模型

3.2.1 logistic模型简介

3.2.2 估计和

3.3 本章小结

习题

第4章 深度神经网络

4.1 为什么需要深度神经网络

4.1.1 简单神经网络

4.1.2 具有隐藏层的神经网络

4.2 正向传播算法

4.3 反向传播算法

1．计算

2．计算和

3．计算

4．计算和

4.4 深度神经网络的完整训练流程

4.4.1 随机梯度下降法

4.4.2 批量随机梯度下降法

4.5 本章小结

习题

第5章 激活函数

5.1 激活函数的基本要求

5.2 输出层的激活函数

5.2.1 因变量为定量数据

5.2.2 因变量为二分类定性数据

5.2.3 因变量为多分类定性数据

5.2.4 识别MNIST数据集中的手写数字

5.3 隐藏层的激活函数

5.3.1 sigmoid函数

5.3.2 tanh函数

5.3.3 ReLU函数

5.3.4 Leaky ReLU函数

5.4 本章小结

习题

第6章 模型评估和正则化

6.1 模型评估

6.2 欠拟合和过拟合

6.3 正则化

6.3.1 早停法

6.3.2 惩罚法

6.3.3 丢弃法

6.3.4 增加观测点

6.4 本章小结

习题

第7章 基于TensorFlow 2建立深度学习模型

7.1 安装TensorFlow

7.2 TensorFlow 2基本用法

7.2.1 tf.Tensor

7.2.2 TensorFlow 2和NumPy的兼容性

7.3 深度神经网络建模基本步骤

7.3.1 创建模型结构

7.3.2 训练模型

7.3.3 评估和预测模型

7.4 基于TensorFlow 2建立线性回归模型

1．预处理数据

2．创建模型结构

3．训练模型

7.5 基于TensorFlow 2建立神经网络分类模型

7.5.1 神经网络分类模型

7.5.2 神经网络模型的正则化

7.6 本章小结

习题

第8章 卷积神经网络

8.1 卷积层

8.1.1 卷积运算

8.1.2 卷积层运算

8.1.3 卷积运算的直观理解

8.1.4 填充

8.1.5 卷积层求导

8.1.6 用Python实现卷积层的计算

8.2 池化层

8.2.1 池化运算

8.2.2 池化层求导

8.2.3 用Python实现池化层的计算

8.3 卷积神经网络

8.4 本章小结

习题

第9章 基于TensorFlow 2搭建卷积神经网络模型

9.1 卷积层和池化层

9.2 CNN实例——MNIST数据集和CIFAR-10数据集

9.2.1 关于MNIST数据集的实例

9.2.2 关于CIFAR-10数据集的实例

9.3 CNN建模技巧

9.3.1 卷积神经网络的结构

9.3.2 卷积层和池化层的超参数选择

9.3.3 经典的卷积神经网络

9.4 本章小结

习题

第10章 循环神经网络

10.1 分析IMDB的数据

10.1.1 IMDB的数据

10.1.2 神经网络模型（IMDB）

10.2 词嵌入

10.3 循环神经网络

10.4 从零开始实现循环神经网络

10.4.1 莎士比亚作品应用示例

10.4.2 正向传播算法

10.4.3 反向传播算法

10.5 本章小结

习题

第11章 搭建深度学习框架

11.1 类Tensor和自动求导

11.1.1 类

11.1.2 类Tensor

11.1.3 自动求导

11.2 为Tensor类添加运算函数并建立神经网络模型

11.2.1 为Tensor类添加运算函数

11.2.2 使用Tensor类建立神经网络模型

11.3 类SGD、类Layer和激活函数

11.3.1 类SGD

11.3.2 类Layer

11.3.3 激活函数

11.4 词嵌入和循环神经网络

11.4.1 词嵌入

11.4.2 循环神经网络

11.5 本章小结

习题

第12章 长短期记忆模型与门控循环单元模型

12.1 简单循环神经网络的主要缺陷

12.2 长短期记忆模型

12.2.1 LSTM模型的核心思想

12.2.2 详解LSTM模型

12.2.3 实现LSTM模型

12.3 门控循环单元模型

12.3.1 详解GRU模型

12.3.2 实现GRU模型

12.4 本章小结

习题

第13章 基于TensorFlow 2搭建循环神经网络模型

13.1 建立LSTM模型

13.1.1 预处理数据

13.1.2 基于TensorFlow建立LSTM模型

13.2 基于TensorFlow建立GRU模型

13.3 本章小结

习题