深度学习导论与应用实践

  

本书从数学基础与编程基础开始，逐步引导读者领略深度学习的起源与发展，向读者介绍深度学习在计算机视觉、自然语言处理等方面的实际应用，并为读者呈现最前沿的深度学习研究进展，同时深入剖析技术原理，带领读者逐步推导深度学习背后的数学模型，并结合飞桨（PaddlePaddle）深度学习框架实现项目，代码清晰，易于理解。本书深入浅出，将原理解析与国内流行的深度学习框架飞桨实例结合，旨在使读者更全面、更清晰地掌握深度学习的前沿技术。
本书可作为深度学习的入门读物，也可作为信息学科本科生和研究生的教材，还可供信息产业从业者使用。

  

第1章数学基础
1.1数据表示——标量、向量、矩阵和张量
1.1.1标量、向量、矩阵和张量
1.1.2向量的范数
1.1.3常用的向量
1.1.4常见的矩阵
1.1.5矩阵的操作
1.1.6张量的常用操作
1.2优化的基础——导数及其应用
1.2.1导数
1.2.2泰勒公式
1.2.3拉格朗日乘数法
1.3概率模型的基础——概率论
1.3.1随机变量
1.3.2概率分布
1.3.3边缘概率
1.3.4条件概率
1.3.5独立性
1.3.6期望、方差与协方差
1.3.7常用的概率分布
1.4习题
第2章Python入门
2.1Python简介
2.2Python基础语法
2.2.1数据结构类型
2.2.2运算符
2.2.3条件语句
2.2.4循环语句
2.2.5函数
2.2.6面向对象与类
2.2.7脚本
2.3NumPy
2.3.1NumPy数组创建与访问
2.3.2NumPy数组计算
2.3.3广播
2.4Matplotlib
2.4.1Matplotlib的安装
2.4.2Matplotlib图像的组成部分
2.4.3Pyplot绘制简单图形
2.4.4Matplotlib多图像绘制
2.5实践：豆瓣高分电影爬取
2.5.1思路分析
2.5.2获取页面
2.5.3解析页面
2.5.4存储数据
2.5.5数据展示与分析
2.6习题
第3章机器学习基础
3.1机器学习概述
3.1.1机器学习定义与基本术语
3.1.2机器学习的三要素
3.1.3机器学习方法概述
3.2数据预处理
3.2.1数据清洗
3.2.2数据集拆分
3.2.3数据集不平衡
3.3特征工程
3.3.1特征编码
3.3.2特征选择与特征降维
3.3.3特征标准化
3.4模型评估
3.5实践：鸢尾花分类
3.5.1数据准备
3.5.2配置模型
3.5.3模型训练
3.5.4数据可视化
3.6习题
第4章深度学习基础
4.1深度学习发展历程
4.2感知机
4.2.1感知机的起源
4.2.2感知机的局限性
4.3前馈神经网络
4.3.1神经元
4.3.2网络结构
4.3.3训练与预测
4.3.4反向传播算法
4.4提升神经网络训练的技巧
4.4.1参数更新方法
4.4.2数据预处理
4.4.3参数的初始化
4.4.4正则化
4.5深度学习框架
4.5.1深度学习框架的作用
4.5.2常见深度学习框架
4.5.3飞桨概述
4.6实践：手写数字识别
4.6.1数据准备
4.6.2网络结构定义
4.6.3网络训练
4.6.4网络预测
4.7习题
第5章卷积神经网络
5.1概述
5.2整体结构
5.3卷积层
5.3.1全连接层的问题
5.3.2卷积运算
5.3.3卷积的导数
5.3.4卷积层操作
5.3.5矩阵快速卷积
5.4池化层
5.5归一化层
5.6参数学习
5.7典型卷积神经网络
5.7.1LeNet
5.7.2AlexNet
5.7.3VGGNet
5.7.4Inception
5.7.5ResNet
5.7.6DenseNet
5.7.7MobileNet
5.7.8ShuffleNet
5.8实践：猫狗识别
5.8.1数据准备
5.8.2网络配置
5.8.3网络训练
5.8.4网络预测
5.9习题
第6章循环神经网络
6.1循环神经网络简介
6.1.1循环神经网络的结构与计算能力
6.1.2参数学习
6.1.3循环神经网络变种结构
6.1.4深度循环神经网络
6.1.5递归神经网络
6.2长期依赖和门控RNN
6.2.1长期依赖的挑战
6.2.2循环神经网络的长期依赖问题
6.2.3门控RNN
6.2.4优化长期依赖
6.3双向RNN
6.4序列到序列架构
6.4.1Seq2Seq
6.4.2注意力机制
6.5实践：电影评论情感分析
6.5.1数据准备
6.5.2网络结构定义
6.5.3网络训练
6.5.4网络预测
6.6习题
第7章深度学习进阶
7.1深度生成模型
7.1.1变分自编码器
7.1.2生成对抗网络
7.2深度强化学习
7.2.1强化学习模型
7.2.2强化学习分类
7.2.3深度强化学习
7.2.4深度Q网络
7.2.5深度强化学习应用
7.3迁移学习
7.3.1迁移学习的定义与分类
7.3.2迁移学习的基本方法
7.4实践：生成对抗网络
7.4.1数据准备
7.4.2网络配置
7.4.3模型训练与预测
7.5习题
第8章深度学习应用：计算机视觉
8.1目标检测
8.1.1传统目标检测
8.1.2基于区域的卷积神经网络目标检测
8.1.3基于回归的卷积神经网络目标检测
8.2语义分割
8.2.1传统语义分割方法
8.2.2基于卷积神经网络的语义分割
8.3实践：目标检测
8.3.1数据准备
8.3.2网络配置
8.3.3模型训练
8.3.4模型预测
8.4习题
第9章深度学习应用：自然语言处理
9.1自然语言处理的基本过程
9.1.1获取语料
9.1.2语料预处理
9.1.3特征工程
9.2自然语言处理应用
9.2.1文本分类
9.2.2机器翻译
9.2.3自动问答
9.3实践：机器翻译
9.3.1数据准备
9.3.2网络结构定义
9.3.3网络训练
9.3.4网络预测
9.4习题
参考文献