神經(jīng)網(wǎng)絡(luò)與深度學習實戰(zhàn)：Python+Keras+TensorFlow

前言

本書內(nèi)容導圖

第1章 神經(jīng)網(wǎng)絡(luò)初體驗

1．1 開發(fā)環(huán)境的安裝

1．2 快速構(gòu)建一個識別手寫數(shù)字圖片的神經(jīng)網(wǎng)絡(luò)

第2章 深度學習中的微積分基礎(chǔ)

2．1 實數(shù)中的無理數(shù)

2．2 什么叫極限

2．3 函數(shù)的連續(xù)性

2．4 函數(shù)求導

2．5 導數(shù)的一般法則

2．6 間套函數(shù)的鏈式求導法則

2．7 多變量函數(shù)與偏導數(shù)

2．8 導數(shù)與極值

2．9 使用導數(shù)尋求函數(shù)的最小值

第3章 深度學習的線性代數(shù)基礎(chǔ)

3．1 常量與向量

3．2 矩陣及相關(guān)操作

3．3 tensor-多維向量

3．4 向量范數(shù)

第4章 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)

4．1 詳解神經(jīng)網(wǎng)絡(luò)中的神經(jīng)元激活函數(shù)

4．2 使用矩陣運算驅(qū)動神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)加工鏈

4．3 通過反向傳播算法回傳誤差改進鏈路權(quán)重

4．4 使用矩陣和梯度下降法實現(xiàn)神經(jīng)網(wǎng)絡(luò)的迭代訓練

4．5 手算梯度下降法，詳解神經(jīng)網(wǎng)絡(luò)迭代訓練過程

第5章 用Python從零實現(xiàn)識別手寫數(shù)字的神經(jīng)網(wǎng)絡(luò)

5．1 基本框架的搭建

5．2 實現(xiàn)網(wǎng)絡(luò)的迭代訓練功能

5．3 網(wǎng)絡(luò)訓練，識別手寫數(shù)字圖片

第6章 神經(jīng)網(wǎng)絡(luò)項目實踐

6．1 使用神經(jīng)網(wǎng)絡(luò)分析電影評論的正能量和負能量

6．2 使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)新聞話題分類

6．3 使用神經(jīng)網(wǎng)絡(luò)預測房價中位數(shù)

第7章 使用神經(jīng)網(wǎng)絡(luò)實現(xiàn)機器視覺識別

7．1 卷積神經(jīng)網(wǎng)絡(luò)入門

7．2 從零開始構(gòu)造一個識別貓、狗圖片的卷積網(wǎng)絡(luò)

7．3 使用預先訓練的卷積網(wǎng)絡(luò)實現(xiàn)圖像快速識別

7．4 視覺化神經(jīng)網(wǎng)絡(luò)的學習過程

7．5 揭秘卷積網(wǎng)絡(luò)的底層原理

第8章 用深度學習實現(xiàn)自然語言處理

8．1 WordEmbedding單詞向量化

8．2 概率論的一些重要概念

8．3 skip-gram單詞向量化算法的數(shù)學原理

8．4 使用預先訓練好的單詞向量實現(xiàn)新聞?wù)诸?/p>

8．5 RNN-具有記憶功能的神經(jīng)網(wǎng)絡(luò)

8．6 LSTM網(wǎng)絡(luò)層詳解及其應(yīng)用

8．7 使用RNN和CNN混合的“雞尾酒療法”提升網(wǎng)絡(luò)運行效率

第9章 自動編解碼網(wǎng)絡(luò)和生成型對抗性網(wǎng)絡(luò)

9．1 自動編解碼器網(wǎng)絡(luò)的原理與實現(xiàn)

9．2 去噪型編解碼網(wǎng)絡(luò)

9．3 使用自動編解碼網(wǎng)絡(luò)實現(xiàn)黑白圖片上色

9．4 生成型對抗性網(wǎng)絡(luò)

9．5 生成型對抗性網(wǎng)絡(luò)的代碼實現(xiàn)

9．6 條件性生成型對抗性網(wǎng)絡(luò)

……

第10章 增強性學習網(wǎng)絡(luò)開發(fā)實踐

第11章 TensorFlow入門

第12章 使用TensorFlow和Keras開發(fā)高級自然語言處理系統(tǒng)

第13章 使用TensorFlow和Keras實現(xiàn)高級圖像識別處理系統(tǒng)

第14章 使用TensorFlow和Keras打造智能推薦系統(tǒng)

第15章 深度學習的重要概念和技巧總結(jié)