深度学习案例精粹 基于TensorFlow与Keras

本书通过丰富的深度学习实战案例，向读者介绍深度学习可应用和落地的项目，包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换等。所有案例都基于Python+TensorFlow 2.5+Keras技术，可配套用于深度学习的实战训练。

本书以实战为主，通过丰富的实战案例向读者介绍深度学习可应用和落地的项目，书中所有案例都基于Python+TensorFlow2.5+Keras技术，可用于深度学习课程的实战训练。本书配套示例源码、PPT课件、思维导图、数据集、开发环境与答疑服务。全书共分11章。第1章讲解深度学习的概念、流程、应用场景、模型分类和框架选择，第2~11章列举深度学习的项目实战案例，包括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换。本书内容详尽、案例丰富，是深度学习初学者推荐的参考书，适合有基础、亟待提升自己技术水平的人工智能从业人员，也可作为高等院校和培训机构人工智能及相关专业的教材使用。

王晓华，计算机专业讲师，研究方向为云计算、大数据与人工智能。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow知识图谱实战》《TensorFlow人脸识别实战》《TensorFlow语音识别实战》《TensorFlow 2.0卷积神经网络实战》《Keras实战：基于TensorFlow2.2的深度学习实践》《TensorFlow深度学习从零开始学》《深度学习的数学原理与实现》等图书。

第1章深度学习与应用框架
1.1深度学习的概念
1.1.1何为深度学习
1.1.2与传统的“浅层学习”的区别
1.2案例实战：文本的情感分类
1.2.1第一步：数据的准备
1.2.2第二步：数据的处理
1.2.3第三步：模型的设计
1.2.4第四步：模型的训练
1.2.5第五步：模型的结果和展示
1.3深度学习的流程、应用场景和模型分类
1.3.1深度学习的流程与应用场景
1.3.2深度学习的模型分类
1.4主流深度学习的框架对比
1.4.1深度学习框架的选择
1.4.2本书选择：Keras与TensorFlow
1.5本章小结
第2章实战卷积神经网络——手写体识别
2.1卷积神经网络理论基础
2.1.1卷积运算
2.1.2TensorFlow中的卷积函数
2.1.3池化运算
2.1.4softmax激活函数
2.1.5卷积神经网络原理
2.2案例实战：MNIST手写体识别
2.2.1MNIST数据集的解析
2.2.2MNIST数据集的特征和标签
2.2.3TensorFlow2.X编码实现
2.2.4使用自定义的卷积层实现MNIST识别
2.3本章小结
第3章实战ResNet——CIFAR-100数据集分类
3.1ResNet理论基础
3.1.1ResNet诞生的背景
3.1.2模块工具的TensorFlow实现
3.1.3TensorFlow高级模块layers
3.2案例实战：CIFAR-100数据集分类
3.2.1CIFAR-100数据集的获取
3.2.2ResNet残差模块的实现
3.2.3ResNet网络的实现
3.2.4使用ResNet对CIFAR-100数据集进行分类
3.3本章小结
第4章实战循环神经网络GRU——情感分类
4.1情感分类理论基础
4.1.1复习简单的情感分类
4.1.2什么是GRU
4.1.3TensorFlow中的GRU层
4.1.4双向GRU
4.2案例实战：情感分类
4.2.1使用TensorFlow自带的模型来实现分类
4.2.2使用自定义的DPCNN来实现分类
4.3本章小结
第5章实战图卷积——文本情感分类
5.1图卷积理论基础
5.1.1“节点”“邻接矩阵”和“度矩阵”的物理意义
5.1.2图卷积的理论计算
5.1.3图卷积神经网络的传播规则
5.2案例实战：Cora数据集文本分类
5.2.1Cora数据集简介
5.2.2Cora数据集的读取与数据处理
5.2.3图卷积模型的设计与实现
5.2.4图卷积模型的训练与改进
5.3案例实战：基于图卷积的情感分类（图卷积前沿内容）
5.3.1文本结构化处理的思路与实现
5.3.2使用图卷积对文本进行分类实战
5.3.3图卷积模型的改进
5.4本章小结
第6章实战自然语言处理——编码器
6.1编码器理论基础
6.1.1输入层——初始词向量层和位置编码器层
6.1.2自注意力层
6.1.3ticks和LayerNormalization
6.1.4多头自注意力
6.2案例实战：简单的编码器
6.2.1前馈层的实现
6.2.2编码器的实现
6.3案例实战：汉字拼音转化模型
6.3.1汉字拼音数据集处理
6.3.2汉字拼音转化模型的确定
6.3.3模型训练部分的编写
6.3.4推断函数的编写
6.4本章小结
第7章实战BERT——中文文本分类
7.1BERT理论基础
7.1.1BERT基本架构与应用
7.1.2BERT预训练任务与Fine-Tuning
7.2案例实战：中文文本分类
7.2.1使用Hugging Face获取BERT预训练模型
7.2.2BERT实战文本分类
7.3拓展：更多的预训练模型
7.4本章小结
第8章实战自然语言处理——多标签文本分类
8.1多标签分类理论基础
8.1.1多标签分类不等于多分类
8.1.2多标签分类的激活函数——sigmoid
8.2案例实战：多标签文本分类
8.2.1第一步：数据的获取与处理
8.2.2第二步：选择特征抽取模型
8.2.3第三步：训练模型的建立
8.2.4第四步：多标签文本分类的训练与预测
8.3本章小结
第9章实战MTCNN——人脸检测
9.1人脸检测基础
9.1.1LFW数据集简介
9.1.2Dlib库简介
9.1.3OpenCV简介
9.1.4使用Dlib做出图像中的人脸检测
9.1.5使用Dlib和OpenCV建立人脸检测数据集
9.2案例实战：基于MTCNN模型的人脸检测
9.2.1MTCNN模型简介
9.2.2MTCNN模型的使用
9.2.3MTCNN模型中的一些细节
9.3本章小结
第10章实战SiameseModel——人脸识别
10.1基于深度学习的人脸识别模型
10.1.1人脸识别的基本模型SiameseModel
10.1.2SiameseModel的实现
10.1.3人脸识别数据集的准备
10.2案例实战：基于相似度计算的人脸识别模型
10.2.1一种新的损失函数TripletLoss
10.2.2基于TripletSemiHardLoss的MNIST模型
10.2.3基于TripletSemiHardLoss和SENET的人脸识别模型
10.3本章小结
第11章实战MFCC和CTC——语音转换
11.1MFCC理论基础
11.1.1MFCC
11.1.2CTC
11.2案例实战：语音汉字转换
11.2.1第一步：数据集THCHS-30简介
11.2.2第二步：数据集的提取与转化
11.3本章小结