深度學習從入門到精通

第 1章 初識深度學習　1
1.1　深度學習基礎(chǔ)理論　1
1.1.1　機器學習與深度學習　1
1.1.2　神經(jīng)網(wǎng)絡基礎(chǔ)　2
1.1.3　常用深度學習模型　5
1.2　主流深度學習框架介紹　6
1.2.1　TensorFlow　6
1.2.2　PyTorch　7
1.3　深度學習開發(fā)環(huán)境搭建　7
1.3.1　硬件環(huán)境準備　7
1.3.2　軟件環(huán)境準備　7
1.3.3　安裝Anaconda　9
1.3.4　安裝TensorFlow 2　13
1.4　構(gòu)建深度學習模型　14
1.4.1　MNIST數(shù)據(jù)集概述　14
1.4.2　數(shù)據(jù)預處理　15
1.4.3　構(gòu)建及編譯模型　16
1.4.4　模型訓練　17
1.4.5　模型評估及預測　19
【本章知識結(jié)構(gòu)圖】　21
【課后習題】　22
第　2章 深度學習的數(shù)據(jù)預處理技術(shù)　23
2.1　數(shù)據(jù)預處理技術(shù)　23
2.1.1　結(jié)構(gòu)化數(shù)據(jù)預處理　23
2.1.2　非結(jié)構(gòu)化數(shù)據(jù)預處理　25
2.2　利用OpenCV進行圖像預處理　26
2.2.1　讀取、顯示和保存圖像　26
2.2.2　圖像像素的獲取和編輯　28
2.2.3　圖像幾何變換　29
2.2.4　色彩通道分離和融合　31
2.2.5　顏色空間轉(zhuǎn)換　31
2.3　利用TensorFlow進行圖像預處理　32
2.3.1　圖像縮放　32
2.3.2　圖像裁剪　33
2.3.3　圖像色彩調(diào)整　34
2.3.4　圖像翻轉(zhuǎn)　35
2.4　利用jieba進行文本預處理　36
2.4.1　jieba分詞　36
2.4.2　添加自定義詞典　37
2.4.3　關(guān)鍵詞提取　39
2.4.4　詞性標注　40
2.5　利用Keras進行文本預處理　40
2.5.1　Unicode編碼　40
2.5.2　分詞器　41
2.5.3　獨熱編碼　41
2.5.4　填充序列　42
2.6　案例實訓：對業(yè)務員工作日報進行文本處理　43
【本章知識結(jié)構(gòu)圖】　45
【課后習題】　46
第3章　使用Keras開發(fā)深度學習模型　48
3.1　Keras模型生命周期　48
3.1.1　定義網(wǎng)絡　48
3.1.2　編譯網(wǎng)絡　51
3.1.3　訓練網(wǎng)絡　51
3.1.4　評估網(wǎng)絡　52
3.1.5　做出預測　52
3.2　Keras模型類型　52
3.2.1　順序型API模型　52
3.2.2　函數(shù)式API模型　53
3.3　模型可視化　55
3.3.1　網(wǎng)絡拓撲可視化　55
3.3.2　TensorBoard可視化　55
3.4　回調(diào)函數(shù)　58
3.4.1　回調(diào)函數(shù)簡介　59
3.4.2　使用回調(diào)函數(shù)尋找 模型　59
3.5　模型保存及加載　61
3.5.1　使用SavedModel格式保存及加載模型　61
3.5.2　使用JSON格式保存及加載模型　63
3.6　案例實訓：使用Keras預測泰坦尼克號上的旅客是否生存　64
【本章知識結(jié)構(gòu)圖】　68
【課后習題】　68
第4章　卷積神經(jīng)網(wǎng)絡及圖像分類　70
4.1　卷積神經(jīng)網(wǎng)絡原理及實現(xiàn)　70
4.1.1　卷積神經(jīng)網(wǎng)絡原理　71
4.1.2　卷積層原理　72
4.1.3　卷積層TensorFlow實現(xiàn)　74
4.1.4　池化層原理　76
4.1.5　池化層TensorFlow實現(xiàn)　78
4.1.6　全連接層　79
4.2　遷移學習　79
4.2.1　遷移學習概述　79
4.2.2　使用Keras Applications實現(xiàn)遷移學習　81
4.2.3　使用TensorFlow Hub實現(xiàn)遷移學習　84
4.2.4　使用遷移學習實現(xiàn)花卉圖像分類器　85
4.3　深度強化學習　90
4.3.1　強化學習基本概念　91
4.3.2　深度強化學習思路　91
4.3.3　Gym平臺　92
4.3.4　使用Keras-RL2的DQN算法實現(xiàn) CartPole游戲　93
4.4　案例實訓：對CIFAR-10數(shù)據(jù)集進行圖像識別　95
【本章知識結(jié)構(gòu)圖】　99
【課后習題】　99
第5章　循環(huán)神經(jīng)網(wǎng)絡在文本序列中的應用　101
5.1　循環(huán)神經(jīng)網(wǎng)絡　101
5.1.1　詞嵌入　102
5.1.2　簡單循環(huán)網(wǎng)絡原理及其Keras實現(xiàn)　106
5.1.3　長短期記憶網(wǎng)絡原理及其Keras實現(xiàn)　109
5.1.4　門控循環(huán)單元原理及其Keras實現(xiàn)　110
5.2　Seq2Seq模型　111
5.2.1　Seq2Seq原理　111
5.2.2　注意力機制　112
5.2.3　利用Keras實現(xiàn)Seq2Seq　113
5.2.4　利用TensorFlow Addons實現(xiàn)
Seq2Seq　116
5.3　Transformer模型　119
5.3.1　Transformer模型原理　120
5.3.2　利用KerasNLP實現(xiàn)Transformer　122
5.4　案例實訓：中文文本分類　122
【本章知識結(jié)構(gòu)圖】　125
【課后習題】　126
第6章　自編碼器　127
6.1　簡單自編碼器　127
6.1.1　自編碼器基本結(jié)構(gòu)　127
6.1.2　簡單自編碼器的Keras實現(xiàn)　129
6.2　稀疏自編碼器　132
6.2.1　稀疏自編碼器基本原理　132
6.2.2　稀疏自編碼器的Keras實現(xiàn)　132
6.3　堆棧自編碼器　134
6.3.1　堆棧自編碼器基本原理　134
6.3.2　堆棧自編碼器的Keras實現(xiàn)　136
6.4　卷積自編碼器　137
6.4.1　卷積自編碼器基本原理　137
6.4.2　卷積自編碼器的Keras實現(xiàn)　137
6.5　降噪自編碼器　139
6.5.1　降噪自編碼器基本原理　139
6.5.2　降噪自編碼器的Keras實現(xiàn)　139
6.6　循環(huán)自編碼器　142
6.6.1　循環(huán)自編碼器基本原理　142
6.6.2　循環(huán)自編碼器的Keras實現(xiàn)　143
6.7　案例實訓：使用自編碼器建立 系統(tǒng)　144
【本章知識結(jié)構(gòu)圖】　148
【課后習題】　148
第7章　生成式對抗網(wǎng)絡　150
7.1　生成式對抗網(wǎng)絡概述　150
7.1.1　生成式對抗網(wǎng)絡基本結(jié)構(gòu)　150
7.1.2　生成式對抗網(wǎng)絡常見類型　151
7.2　生成式對抗網(wǎng)絡Keras實現(xiàn)　152
7.2.1　GAN的Keras實現(xiàn)　152
7.2.2　DCGAN的Keras實現(xiàn)　157
7.3　案例實訓：使用GAN和DCGAN
生成數(shù)字5圖像　160
【本章知識結(jié)構(gòu)圖】　164
【課后習題】　164
第8章　模型評估及模型優(yōu)化　167
8.1　模型評估　167
8.1.1　數(shù)值預測評估方法　167
8.1.2　概率預測評估方法　169
8.2　模型優(yōu)化　172
8.2.1　基于梯度下降的優(yōu)化　172
8.2.2　自適應學習率算法　174
8.2.3　網(wǎng)格搜索　177
8.2.4　防止模型過擬合　178
8.3　在tf.keras中進行模型優(yōu)化　181
8.3.1　在tf.keras中使用Scikit-learn優(yōu)化模型　181
8.3.2　使用KerasTuner進行超參數(shù)調(diào)節(jié)　181
8.4　案例實訓1：使用Scikit-learn
優(yōu)化CIFAR-10分類模型　181
8.5　案例實訓2：使用KerasTuner
優(yōu)化CIFAR-10分類模型　184
【本章知識結(jié)構(gòu)圖】　189
【課后習題】　189
第9章　深度學習實驗項目　191
9.1　TensorFlow Datasets實驗　191
9.2　tf.data定義高效的輸入流水線　192
9.3　在tf.keras中使用Scikit-learn優(yōu)化模型　193
9.4　ImageDataGenerator類圖像增強　193
9.5　CNN模型識別手寫數(shù)字　194
9.6　CNN模型檢測駕駛員睡意　195