深度学习模式与实践

本书通过介绍最佳实践 、设计模式和可复制的架构 ，指导读者的深度学习项目 从实验室进入生产环境。本 书收集并阐明了近十年来真 实世界中有关深度学习的最 有价值的认识。读者将通过 每个有趣的例子学习相关技 能并建立信心。 本书深入研究了如何构 建成功的深度学习应用程序 。通过将经过验证的模式和 实践应用到自身项目中，读 者将节省数小时的试错时间 。本书通过经过测试的代码 示例、真实世界示例和出色 的叙事风格，使复杂的概念 变得简单而引人入胜。在此 过程中，读者将学会部署、 测试和维护项目的相关技巧 。

Andrew Ferlitsch是谷歌云人工智能开发者关系部的一名专家，领域为计算机视觉、深度学习和在应用中操作机器学习。

第Ⅰ部分 深度学习基础知识 第1章 现代机器学习的设计 1.1 关注适应性 1.1.1 计算机视觉引领潮流 1.1.2 超越计算机视觉：NLP、NLU和结构化数据 1.2 机器学习方法的演变 1.2.1 经典人工智能与狭义人工智能 1.2.2 计算机学习的未来 1.3 设计模式的好处 1.4 本章小结 第2章 深度神经网络 2.1 神经网络基础 2.1.1 输入层 2.1.2 深度神经网络简介 2.1.3 前馈网络 2.1.4 序贯式API方法 2.1.5 函数式API方法 2.1.6 输入形状与输入层 2.1.7 致密层 2.1.8 激活函数 2.1.9 速记语法 2.1.10 使用优化器提高准确度 2.2 DNN二元分类器 2.3 DNN多类分类器 2.4 DNN多标签多类分类器 2.5 简单图像分类器 2.5.1 展平 2.5.2 过拟合和丢弃 2.6 本章小结 第3章 卷积神经网络和残差神经网络 3.1 卷积神经网络 3.1.1 为什么在DNN的基础上对图像模型使用CNN 3.1.2 下采样（调整大小） 3.1.3 特征检测 3.1.4 池化 3.1.5 展平 3.2 CNN的ConvNet设计 3.3 VGG网络 3.4 ResNet网络 3.4.1 架构 3.4.2 批标准化 3.4.3 ResNet50 3.5 本章小结 第4章 训练基础知识 4.1 前馈和反向传播 4.1.1 馈送 4.1.2 反向传播 4.2 拆分数据集 4.2.1 训练集和测试集 4.2.2 独热编码 4.3 数据归一化 4.3.1 归一化 4.3.2 标准化 4.4 验证和过拟合 4.4.1 验证 …… 第Ⅱ部分 基本设计模式 第Ⅲ部分 使用管线