《Python 深度學習》是2020年機械工業出版社出版的圖書。
基本介紹
- 中文名：Python 深度學習
- 出版時間：2020年11月1日
- 出版社：機械工業出版社
- ISBN：9787111666110
內容簡介,目錄,
內容簡介
《Python 深度學習》以深度學習框架為基礎，介紹機器學習的基礎知識與常用方法，全面細緻地提供了機器學習操作的原理及其在深度學習框架下的實踐步驟。全書共16章，分別介紹了深度學習基礎知識、深度學習框架及其對比、機器學習基礎知識、深度學習框架（以PyTorch為例）基礎、Logistic回歸、多層感知器、卷積神經網路與計算機視覺、神經網路與自然語言處理以及8個實戰案例。本書將理論與實踐緊密結合，相信能為讀者提供有益的學習指導。
《Python 深度學習》適合Python深度學習初學者、機器學習算法分析從業人員以及高等院校計算機科學、軟體工程等相關專業的師生閱讀。
目錄
前言
第1章 深度學習簡介
1.1 計算機視覺
1.1.1 定義
1.1.2 基本任務
1.1.3 傳統方法
1.1.4 仿生學與深度學習
1.1.5 現代深度學習
1.1.6 卷積神經網路
1.2 自然語言處理
1.2.1 自然語言處理的基本問題
1.2.2 傳統方法與神經網路方法的比較
1.2.3 發展趨勢
1.3 強化學習
1.3.1 什麼是強化學習
1.3.2 強化學習算法簡介
1.3.3 強化學習的套用
1.4 本章小結
第2章 深度學習框架及其對比
2.1 Caffe
2.1.1 Caffe簡介
2.1.2 Caffe的特點
2.1.3 Caffe層及其網路
2.2 TensorFlow
2.2.1 TensorFlow簡介
2.2.2 數據流圖
2.2.3 TensorFlow的特點
2.2.4 TensorFlow的計算形式
2.3 PyTorch
2.3.1 PyTorch簡介
2.3.2 PyTorch的特點
2.3.3 PyTorch的最大優勢
2.4 三者的比較
2.5 本章小結
第3章 機器學習基礎知識
3.1 模型評估與模型參數選擇
3.1.1 驗證
3.1.2 正則化
3.2 監督學習與非監督學習
3.2.1 監督學習
3.2.2 非監督學習
3.3 本章小結
第4章 PyTorch深度學習基礎
4.1 Tensor對象及其運算
4.2 Tensor的索引和切片
4.3 Tensor的變換、拼接和拆分
4.4 PyTorch的Reduction操作
4.5 PyTorch的自動微分Autograd
4.6 本章小結
第5章 回歸模型
5.1 線性回歸
5.2 Logistic回歸
5.3 用PyTorch實現Logistic回歸
5.3.1 數據準備
5.3.2 線性方程
5.3.3 激活函式
5.3.4 損失函式
5.3.5 最佳化算法
5.3.6 模型可視化
5.4 本章小結
第6章 多層感知器
6.1 基礎概念
6.2 感知器
6.2.1 單層感知器
6.2.2 多層感知器
6.3 BP神經網路
6.3.1 梯度下降
6.3.2 後向傳播
6.4 Dropout正則化
6.5 批標準化
6.5.1 批標準化的實現方式
6.5.2 批標準化的使用方法
6.6 本章小結
第7章 卷積神經網路與計算機視覺
7.1 卷積神經網路的基本思想
7.2 卷積操作
7.3 池化層
7.4 卷積神經網路
7.5 經典網路結構
7.5.1 VGG網路
7.5.2 InceptionNet
7.5.3 ResNet
7.6 用PyTorch進行手寫數字識別
7.7 本章小結
第8章 神經網路與自然語言處理
8.1 語言建模
8.2 基於多層感知器的架構
8.3 基於循環神經網路的架構
8.3.1 循環單元
8.3.2 通過時間後向傳播
8.3.3 帶有門限的循環單元
8.3.4 循環神經網路語言模型
8.3.5 神經機器翻譯
8.4 基於卷積神經網路的架構
8.5 基於Transformer的架構
8.5.1 多頭注意力
8.5.2 非參位置編碼
8.5.3 編碼器單元與解碼器單元
8.6 表示學習與預訓練技術
8.6.1 詞向量
8.6.2 加入上下文信息的特徵表示
8.6.3 網路預訓練
8.7 本章小結
第9章 使用TensorFlow進行基於YOLO V3的安全帽佩戴檢測
9.1 數據準備
9.1.1 數據採集與標註
9.1.2 模型和框架選擇
9.1.3 數據格式轉換
9.2 模型構建、訓練和測試
9.2.1 YOLO系列模型
9.2.2 模型訓練
9.2.3 測試與結果
9.3 本章小結
第10章 使用Keras進行人臉關鍵點檢測
10.1 深度學習模型
10.1.1 數據集獲取
10.1.2 卷積神經網路的搭建與訓練
10.2 模型評價
10.3 本章小結
第11章 使用PyTorch實現基於卷積神經網路的充電寶識別
11.1 機器學習常用的Python工具庫
11.1.1 PyTorch
11.1.2 NumPy
11.2 數據樣本分析
11.3 數據預處理
11.4 算法模型
11.4.1 卷積神經網路
11.4.2 激活函式
11.4.3 模型建立
11.5 本章小結
第12章 使用PyTorch實現基於詞級別的情感分析
12.1 數據集的處理
12.2 模型的搭建
12.2.1 MemNet模型
12.2.2 IAN模型
12.2.3 AOA模型
12.3 訓練和評測
12.4 本章小結
第13章 基於生成式對抗網路（GAN）生成動漫人物
13.1 反卷積網路與GAN
13.2 DCGAN
13.3 基於DCGAN的動漫人物生成
13.4 本章小結
第14章 使用Keras進行基於遷移學習的電影評論分類
14.1 遷移學習概述
14.2 IMDB數據集
14.3 構建模型解決IMDB數據集分類問題
14.4 本章小結
第15章 使用PyTorch實現圖像超分辨
15.1 SRCNN介紹
15.2 技術方案及核心代碼
15.2.1 訓練的幾個要點
15.2.2 構造數據
15.2.3 構建SRCNN的結構
15.2.4 訓練模型
15.3 本章小結
第16章 使用Keras搭建人工神經網路來生成原創音樂
16.1 樣例背景介紹
16.1.1 循環神經網路
16.1.2 Music21
16.1.3 Keras
16.2 項目結構設計
16.3 實建步驟
16.3.1 搭建實驗環境
16.3.2 觀察並分析數據
16.3.3 數據預處理
16.3.4 模型構建
16.3.5 生成音樂
