零基础实践深度学习（第二版）

本书从人工智能、机器学习和深度学习三者的关系开始，以深度学习在计算机视觉、自然语言处理和推荐系统的应用实践为主线，逐步剖析模型原理和代码实现。书中的内容深入浅出，通过原理与代码结合、产业实践和作业结合的方式，帮助读者更好地掌握深度学习的理论知识和深度学习开源框架的使用方法。为了让更多的读者从中受益，快速应对复杂多变的AI应用，书中还 介绍了各种模型资源和辅助工具，旨在帮助读者在人工智能的战场上和“AI大师”一样无往不利。 人工智能是一门跨学科的技术，本书既可作为深度学习的入门读物，又可作为人工智能或相关学科本科生和研究生的教材，还可供AI爱好者和从业者使用。

第1章 零基础入门深度学习 1.1 机器学习和深度学习综述 1.1.1 人工智能、机器学习、深度学习的关系 1.1.2 机器学习 1.1.3 深度学习 1.2 使用Python和NumPy构建神经网络模型 1.2.1 波士顿房价预测任务 1.2.2 构建波士顿房价预测任务的神经网络模型 1.3 飞桨开源深度学习平台介绍 1.3.1 深度学习框架 1.3.2 飞桨产业级深度学习开源开放平台 1.4 使用飞桨重写房价预测模型 1.4.1 飞桨设计之“道” 1.4.2 使用飞桨实现波士顿房价预测任务 1.5 NumPy介绍 1.5.1 概述 1.5.2 基础数据类型： ndarray数组 1.5.3 随机数np.random 1.5.4 线性代数 1.5.5 NumPy保存和导入文件 1.5.6 NumPy应用举例 1.5.7 飞桨的张量表示 第2章 一个示例带你吃透深度学习 2.1 使用飞桨完成手写数字识别模型 2.1.1 手写数字识别任务 2.1.2 构建手写数字识别的神经网络模型 2.1.3 模型代码结构一致，大大降低了用户的编码难度 2.1.4 采用“横纵式”教学法，适合深度学习初学者 2.2 通过极简方案快速构建手写数字识别模型 2.3 手写数字识别的数据处理 2.3.1 概述 2.3.2 数据读取并划分数据集 2.3.3 训练样本乱序并生成批次数据 2.3.4 校验数据有效性 2.3.5 封装数据读取与处理函数 2.3.6 异步数据读取 2.4 手写数字识别的网络结构 2.4.1 概述 2.4.2 经典的全连接神经网络 2.4.3 卷积神经网络 2.5 手写数字识别的损失函数 2.5.1 概述 2.5.2 分类任务的损失函数 2.6 手写数字识别的优化算法 2.6.1 概述 2.6.2 设置学习率 2.6.3 学习率的主流优化算法 2.7 手写数字识别的资源配置 2.7.1 概述 2.7.2 单GPU训练