深度學(xué)習(xí)架構(gòu)與實(shí)踐

目錄
前言
緒論1
第1章 深度學(xué)習(xí)的架構(gòu)8
11如何區(qū)分人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)8
111人工智能：從概念提出到走向繁榮8
112機(jī)器學(xué)習(xí)：一種實(shí)現(xiàn)人工智能的方法9
113深度學(xué)習(xí)：一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)9
114人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的關(guān)系9
12深度學(xué)習(xí)的發(fā)展歷史及研究現(xiàn)狀10
121深度學(xué)習(xí)的發(fā)展歷史10
122深度學(xué)習(xí)的研究現(xiàn)狀11
13深度學(xué)習(xí)的基本內(nèi)容及理論基礎(chǔ)13
131深度學(xué)習(xí)的基本內(nèi)容13
132深度學(xué)習(xí)的理論基礎(chǔ)15
14深度學(xué)習(xí)的發(fā)展趨勢與未來15
141深度學(xué)習(xí)的發(fā)展趨勢15
142深度學(xué)習(xí)的未來16
第2章 深度學(xué)習(xí)相關(guān)數(shù)學(xué)基礎(chǔ)17
21線性代數(shù)17
211標(biāo)量、向量、矩陣和張量17
212矩陣和向量相乘18
213單位矩陣和逆矩陣19
214線性相關(guān)和生成子空間19
215范數(shù)21
216特殊類型的矩陣和向量22
217特征分解23
218奇異值分解24
219Moore-Penrose偽逆25
2110跡運(yùn)算25
2111行列式26
2112主成分分析26
22概率論與信息論29
221隨機(jī)試驗(yàn)、頻率與概率、隨機(jī)變量29
222隨機(jī)變量的分布情況30
223二維隨機(jī)變量31
224期望、方差、協(xié)方差、相關(guān)系數(shù)33
225常用的概率分布34
226常用函數(shù)的有用性質(zhì)37
227連續(xù)型變量的技術(shù)細(xì)節(jié)39
228信息論40
229結(jié)構(gòu)化概率模型41
23擬合、梯度下降與傳播43
231過擬合和欠擬合43
232隨機(jī)梯度下降44
233正向傳播與反向傳播47
第3章 神經(jīng)網(wǎng)絡(luò)的架構(gòu)48
31神經(jīng)網(wǎng)絡(luò)與神經(jīng)元48
32深度神經(jīng)網(wǎng)絡(luò)的概念與結(jié)構(gòu)49
321深度神經(jīng)網(wǎng)絡(luò)的概念49
322深度神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)49
33深度神經(jīng)網(wǎng)絡(luò)的分類50
331前饋深度網(wǎng)絡(luò)50
332反饋深度網(wǎng)絡(luò)51
333雙向深度網(wǎng)絡(luò)51
34自動編碼器與玻爾茲曼機(jī)51
341自動編碼器51
342玻爾茲曼機(jī)52
第4章 卷積神經(jīng)網(wǎng)絡(luò)53
41卷積神經(jīng)網(wǎng)絡(luò)的概念53
42卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)54
421卷積層55
422池化層56
423全連接層56
43非線性層與激活函數(shù)57
431Sigmoid激活函數(shù)57
432Tanh函數(shù)59
433Relu函數(shù)60
44感受野與權(quán)值共享61
441局部感受野61
442權(quán)值共享61
45卷積神經(jīng)網(wǎng)絡(luò)與反卷積神經(jīng)網(wǎng)絡(luò)62
451卷積神經(jīng)網(wǎng)絡(luò)及其特點(diǎn)62
452反卷積神經(jīng)網(wǎng)絡(luò)及其特點(diǎn)63
46卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練63
第5章 循環(huán)神經(jīng)網(wǎng)絡(luò)64
51RNN的概念64
52RNN的結(jié)構(gòu)64
53RNN的訓(xùn)練65
531反向傳播算法的原理65
532反向傳播算法的步驟65
54RNN的實(shí)現(xiàn)71
541梯度爆炸與梯度消失71
542基于RNN的語言模型例子71
543語言模型訓(xùn)練過程73
55RNN的發(fā)展74
551雙向循環(huán)神經(jīng)網(wǎng)絡(luò)74
552長短時記憶結(jié)構(gòu)75
第6章 生成對抗網(wǎng)絡(luò)7761GAN的概念77
611對抗思想與GAN77
612最大似然估計及最優(yōu)化問題79
613GAN的訓(xùn)練過程81
62GAN的原理82
621生成器82
622判別器83
63GAN的應(yīng)用84
64GAN的發(fā)展85
641GAN的優(yōu)缺點(diǎn)85
642GAN的未來發(fā)展方向86
第7章 Python相關(guān)基礎(chǔ)8771Python程序結(jié)構(gòu)87
711循環(huán)結(jié)構(gòu)87
712分支結(jié)構(gòu)89
72NumPy操作90
721NumPy的主要特點(diǎn)91
722ndarray91
723NumPy-數(shù)據(jù)類型94
724NumPy-數(shù)組屬性94
725NumPy-數(shù)組創(chuàng)建例程96
726NumPy-切片和索引98
727NumPy-字符串函數(shù)99
728NumPy-算數(shù)函數(shù)100
729NumPy-算數(shù)運(yùn)算100
7210NumPy-統(tǒng)計函數(shù)101
7211NumPy-排序、搜索和計數(shù)函數(shù)102
7212NumPy-字節(jié)交換103
7213NumPy-副本和視圖103
7214NumPy-矩陣庫104
7215NumPy-線性代數(shù)105
73函數(shù)105
731Python中函數(shù)的應(yīng)用105
732Python函數(shù)的定義107
733Python函數(shù)的調(diào)用108
734為函數(shù)提供說明文檔109
74第三方資源110
第8章 TensorFlow、Theano、Caffe的框架與安裝113
81TensorFlow的框架與安裝113
811TensorFlow的簡介113
812TensorFlow的架構(gòu)113
813TensorFlow的特點(diǎn)114
814TensorFlow的安裝114
82Theano的框架與安裝118
821Theano的簡介118
822Theano的安裝119
83Caffe的架構(gòu)與安裝121
831Caffe的簡介121
832Caffe的安裝122
第9章 TensorFlow、Theano、Caffe的原理及應(yīng)用124
91TensorFlow的原理及應(yīng)用124
911TensorFlow的工作原理124
912TensorFlow的簡單應(yīng)用126
913TensorFlow的復(fù)雜應(yīng)用129
92Theano的基本語法及應(yīng)用145
921Theano的基本語法145
922Theano在Windows下的常用實(shí)例149
923用Theano來編寫一個簡單的神經(jīng)網(wǎng)絡(luò)154
93Caffe的結(jié)構(gòu)、寫法及應(yīng)用157
931Caffe的結(jié)構(gòu)157
932Caffe的寫法157
933Caffe的訓(xùn)練與測試167
第10章 手寫數(shù)字識別實(shí)例177
101字符識別的意義177
102字符識別的設(shè)計與實(shí)現(xiàn)177
1021實(shí)驗(yàn)簡介177
1022實(shí)驗(yàn)環(huán)境搭建178
103單層神經(jīng)網(wǎng)絡(luò)搭建178
1031網(wǎng)絡(luò)搭建過程178
1032梯度下降180
104多層神經(jīng)網(wǎng)絡(luò)搭建183
1041Sigmoid激活函數(shù)184
1042Relu激活函數(shù)184
1043衰減學(xué)習(xí)率187
1044添加dropout解決過擬合現(xiàn)象188
105卷積神經(jīng)網(wǎng)絡(luò)190
第11章 自動生成圖像描述實(shí)例195
111自動生成圖像描述的目標(biāo)195
112自動生成圖像描述的設(shè)計198
113語言生成模型201
114自動生成圖像描述的實(shí)現(xiàn)203
115實(shí)驗(yàn)結(jié)果及分析221
第12章 唇語識別實(shí)例225
121唇語識別技術(shù)的目標(biāo)225
122特征提取225
1221CNN的唇部視覺特征提取225
1222RNN的時序特征提取226
1223特征分類算法SVM、KNN、Softmax228
123唇語識別模型網(wǎng)絡(luò)架構(gòu)230
1231抽取視頻幀算法與視頻唇部區(qū)域定位230
1232圖像特征提取網(wǎng)絡(luò)架構(gòu)233
1233基于注意力機(jī)制的時間特征提取架構(gòu)234
1234唇語識別模型與整體識別流程235
124實(shí)驗(yàn)結(jié)果及分析239
1241數(shù)據(jù)集與預(yù)處理239
1242實(shí)驗(yàn)結(jié)果239
1243可視化分析242
參考文獻(xiàn)246