Python 深度學(xué)習(xí)實(shí)戰(zhàn)：75個(gè)有關(guān)神經(jīng)網(wǎng)絡(luò)建模、強(qiáng)化學(xué)習(xí)與遷移學(xué)習(xí)的解決方案

譯者序

原書前言

第 1章　編程環(huán)境、GPU計(jì)算、云解決方案和深度學(xué)習(xí)框架 //1 

1.1　簡(jiǎn)介 //1 

1.2　搭建一個(gè)深度學(xué)習(xí)環(huán)境 //2 

1.3　在 AWS上啟動(dòng)實(shí)例 //2 

1.4　在 GCP上啟動(dòng)實(shí)例 //3 

1.5　安裝 CUDA和 cuDNN //4 

1.6　安裝 Anaconda和庫文件 //6 

1.7　連接服務(wù)器上的 Jupyter Notebooks //7 

1.8　用 TensorFlow構(gòu)建最先進(jìn)的即用模型 //8 

1.9　直觀地用 Keras建立網(wǎng)絡(luò) //10 

1.10　使用 PyTorch的 RNN動(dòng)態(tài)計(jì)算圖 //12 

1.11　用 CNTK實(shí)現(xiàn)高性能模型 //14 

1.12　使用 MXNet構(gòu)建高效的模型 //15 

1.13　使用簡(jiǎn)單、高效的 Gluon編碼定義網(wǎng)絡(luò) //17

第 2章　前饋神經(jīng)網(wǎng)絡(luò) //19 

2.1　簡(jiǎn)介 //19 

2.2　理解感知器 //19 

2.3　實(shí)現(xiàn)一個(gè)單層神經(jīng)網(wǎng)絡(luò) //23 

2.4　構(gòu)建一個(gè)多層神經(jīng)網(wǎng)絡(luò) //27 

2.5　開始使用激活函數(shù) //30 

2.6　關(guān)于隱層和隱層神經(jīng)元的實(shí)驗(yàn) //35 

2.7　實(shí)現(xiàn)一個(gè)自動(dòng)編碼器 //38 

2.8　調(diào)整損失函數(shù) //41 

2.9　測(cè)試不同的優(yōu)化器 //44 

2.10　使用正則化技術(shù)提高泛化能力 //47 

2.11　添加 Dropout以防止過擬合 //51

第 3章　卷積神經(jīng)網(wǎng)絡(luò) //56 

3.1　簡(jiǎn)介 //56 

3.2　開始使用濾波器和參數(shù)共享 //56 

3.3　應(yīng)用層合并技術(shù) //60 

3.4　使用批量標(biāo)準(zhǔn)化進(jìn)行優(yōu)化 //62 

3.5　理解填充和步長 //66 

3.6　試驗(yàn)不同類型的初始化 //72 

3.7　實(shí)現(xiàn)卷積自動(dòng)編碼器 //76 

3.8　將一維 CNN應(yīng)用于文本 //79

第 4章　遞歸神經(jīng)網(wǎng)絡(luò) //81 

4.1　簡(jiǎn)介 //81 

4.2　實(shí)現(xiàn)一個(gè)簡(jiǎn)單的 RNN //82 

4.3　添加 LSTM //84 

4.4　使用 GRU //86 

4.5　實(shí)現(xiàn)雙向 RNN //89 

4.6　字符級(jí)文本生成 //91

第 5章　強(qiáng)化學(xué)習(xí) //95 

5.1　簡(jiǎn)介 //95 

5.2　實(shí)現(xiàn)策略梯度 //95 

5.3　實(shí)現(xiàn)深度Q學(xué)習(xí)算法 //102

第 6章　生成對(duì)抗網(wǎng)絡(luò) //109 

6.1　簡(jiǎn)介 //109 6.2　了解 GAN //109 

6.3　實(shí)現(xiàn) DCGAN //112 

6.4　使用 SRGAN來提高圖像分辨率 //117

第 7章　計(jì)算機(jī)視覺 //125 

7.1　簡(jiǎn)介 //125 

7.2　利用計(jì)算機(jī)視覺技術(shù)增廣圖像 //125 

7.3　圖像中的目標(biāo)分類 //130 

7.4　目標(biāo)在圖像中的本地化 //134 

7.5　實(shí)時(shí)檢測(cè)框架 //139 

7.6　用 U-net將圖像分類 //139 

7.7　語義分割與場(chǎng)景理解 //143 

7.8　尋找人臉面部關(guān)鍵點(diǎn) //147 

7.9　人臉識(shí)別 //151 

7.10　將樣式轉(zhuǎn)換為圖像 //157

第 8章　自然語言處理 //162 

8.1　簡(jiǎn)介 //162 

8.2　情緒分析 //162 

8.3　句子翻譯 //165 

8.4　文本摘要 //169

第 9章　語音識(shí)別和視頻分析 //174 

9.1　簡(jiǎn)介 //174 

9.2　從零開始實(shí)現(xiàn)語音識(shí)別流程 //174 

9.3　使用語音識(shí)別技術(shù)辨別講話人 //177 

9.4　使用深度學(xué)習(xí)理解視頻 //181

第 10章　時(shí)間序列和結(jié)構(gòu)化數(shù)據(jù) //185 

10.1　簡(jiǎn)介 //185 

10.2　使用神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)股票價(jià)格 //185 

10.3　預(yù)測(cè)共享單車需求 //189 

10.4　使用淺層神經(jīng)網(wǎng)絡(luò)進(jìn)行二元分類 //192

第 11章　游戲智能體和機(jī)器人 //194 

11.1　簡(jiǎn)介 //194 

11.2　通過端到端學(xué)習(xí)來駕駛汽車 //194 

11.3　通過深度強(qiáng)化學(xué)習(xí)來玩游戲 //199 

11.4　用 GA優(yōu)化超參數(shù) //205

第 12章　超參數(shù)選擇、調(diào)優(yōu)和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí) //211 

12.1　簡(jiǎn)介 //211 

12.2　用 TensorBoard和 Keras可視化訓(xùn)練過程 //211 

12.3　使用批量和小批量工作 //215 

12.4　使用網(wǎng)格搜索調(diào)整參數(shù) //219 

12.5　學(xué)習(xí)率和學(xué)習(xí)率調(diào)度 //221 

12.6　比較優(yōu)化器 //224 

12.7　確定網(wǎng)絡(luò)的深度 //227 

12.8　添加 Dropout以防止過擬合 //227 

12.9　通過數(shù)據(jù)增廣使模型更加魯棒 //232 

12.10　利用 TTA來提高精度 //234

第 13章　網(wǎng)絡(luò)內(nèi)部構(gòu)造 //235 

13.1　簡(jiǎn)介 //235 

13.2　用 TensorBoard可視化訓(xùn)練過程 //235 

13.3　用 TensorBoard可視化網(wǎng)絡(luò)結(jié)構(gòu) //239 

13.4　分析網(wǎng)絡(luò)權(quán)重等 //239 

13.5　凍結(jié)層 //244 

13.6　存儲(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)并訓(xùn)練權(quán)重 //246

第 14章　預(yù)訓(xùn)練模型 //250 

14.1　簡(jiǎn)介 //250 

14.2　使用 GoogLeNet/Inception進(jìn)行大規(guī)模視覺識(shí)別 //250 

14.3　用 ResNet提取瓶頸特征 //252 

14.4　對(duì)新類別使用預(yù)訓(xùn)練的 VGG模型 //253 

14.5　用 Xception細(xì)調(diào) //256

......