深度学习入门(基于Python的实现)/基于Python的数据分析丛书

深度学习是一种人工智 能，模仿人脑处理数据和创 建用于决策的模式方面的工 作，处理用于检测对象、识 别语音、翻译语言和进行决 策的数据。本书是深度学习 入门级教材，有以下特点： 1.由浅入深，对于最基 本的单层神经网络到多层神 经网络的前向及后向传播理 论，从公式到代码缓慢进阶 ，做了透彻的解释，易于理 解及上手。 2.在基本模块介绍之后 ，对于各种更复杂的模型并 不拘泥于细节，而是着重介 绍其含义，让读者着眼于整 体框架及未来发展。 3.尽量跟随新发展，书 中最新的模型来自2020年 。

第一部分 Python基础 第1章 Python基础 1.1 引言 1.2 安装 1.2.1 安装及开始体验 1.2.2 运行Notebook 1.3 基本模块的编程 1.4 NumPy模块 1.5 Pandas模块 1.6 Matplotlib模块 1.7 Pymon的类——面向对象编程简介 1.7.1 类的基本结构 1.7.2 计算最小二乘回归的例子 1.7.3 子类 1.8 习题 第二部分 神经网络基础及逐步深化 第2章 从最简单的神经网络说起 2.1 纪元和批次 2.2 神经网络回归 2.2.1 线性最小二乘回归 2.2.2 最简单的神经网络 2.2.3 神经网络是如何学习的 2.2.4用神经网络拟合例2.1 数据 2.3 神经网络分类 2.3.1 原理及简单二分类 2.3.2 多分类问题 第3章 有隐藏层的神经网络 3.1 一个隐藏层的神经网络 3.1.1 符号定义 3.1.2 前向传播 3.1.3 反向传播 3.1.4用图3.1.1模型拟合例2 3.1.5 一个隐藏层多分类神经网络例子 3.2 多个隐藏层的神经网络 3.3 通过PyTorch实现神经网络初等计算 3.3.1 PyTorch和NumPy的相似性 3.3.2 PyTorch作为深度学习软件的独特性 第三部分 深度学习的PyTorch实现 第4章 神经网络的PyTorch逐步深化 4.1 简单的人造数据回归 4.1.1 基于3-3 2节的拟合代码 4.1.2 改进PyTorch神经网络模型 4.1.3 自定义模型 4.2 MNIST手写数字数据神经网络案例 4.2.1 熟悉图像数据 4.2.2 对数据进行包装 4.2.3 建立一般的神经网络分类模型 4.2.4 对测试集做交叉验证 4.3 卷积神经网络 4.3.1 卷积 4.3.2 池化层 4.3.3 卷积神经网络的构造 4.4 MNIST手写数字数据（续）：CNN 4.4.1 整理数据 4.4.2 为模型拟合做准备 4.4.3 拟合及交叉验证 4.5 CIFAR-10数据图像CNN案例 4.5.1 数据及载入 4.5.2 CIFAR-10数据一个比较成功的现成CNN模型 4.5.3 训练与测试模型的函数 4.5.4 拟合数据及混淆矩阵 第5章 递归神经网络 5.1 递归神经网络（RNN）简介 5.1.1 基本思路 5.1.2 前向传播的数学描述 5.1 3 RNN的反向传播 5.1.4 RNN语言处理的一个微型例子 5.1.5 哑元化／独热编码及嵌入 5 1.6 长期依赖造成的消失梯度问题 5.2 长短期记忆网络（LSTM） 5.2.1 LSTM原理 5 2.2 LSTM的公式和单元格示意图 5.2.3 LSTM的机理 5.2.4 LSTM的一些变化形式 5.2 5 LSTM的一个微型例子 5.3 LSIM预测句子的例子 5.3.1 模型 5.3.2 数据输入 5.3.3 训练和预测的函数 5.3.4 实施训练并预测 5.4 门控递归网络（GRu） 5.4.1 GRU的基本思路 5.4.2 GRu的公式 5.4.3 PyTorch函数的各种维度 5.5 数据MNIST手写数字数据的GRU分类例子 5.5.1 载入模块及整理数据 5.5.2 设置GRu单元并定义GRU模型 5.5.3 训练模型及精确度 5.6 GRU处理时间序列的例子 5.6.1 载人模块并准备数据 5.6.2 定义GRU模型 5.6.3 训练模型 5.6.4 评价模型 第6章 PyT0rch文本数据分析 6.1 一个简单的文本分类例子 6 1.1 载入模块及准备数据 6.1.2 构造神经网络模型 6.1.3 定义训练函数 6.1.4拟合例6.1 的数据 6.1.5 展示交叉验证结果 6.2 序列到序列（seq2seq）模型 6.2.1 编码器及解码器 6.2.2 运作原理 6 2.3 专注 6.2.4 关于专注的说明性例子 6.3 剖析一个著名seq2seq案例 6.3.1 数据准备 6.3.2 创建词汇索引映射表 6.3.3 为模型准备数据 6.3.4 定义seq2seq模型：编码器，专注，解码器 6.3.5 确定训练程序 6.3.6 运行模型 6.3.7 用训练好的模型和机器进行对话15l 第7章 用于自然语言处理的变换器 7.1 变换器的原理 7.1.1 自我专注的原理 7.1.2 多头专注 7.1.3 使用位置编码表示序列的顺序 7.2 预训练模块Transfornler 7.2.1 两个简单的即时例子 7.2.2 Transfomers包含的模型 7.2.3 BERT模型 7.2.4 GPT-2模型 7.3 seq2seq变换器示范代码 7.3.1 模型 7.3.2 数据准备 7.3.3 训练模型 第8章 现代Hopfield网络 8.1 概论 8.2 传统的Hopfield网络 8.3 现代HopIield网络 8.3.1 新能量函数 8.3.2 更新规则 8.3.3 用于连续值模式和状态的新能量函数及更新规