Python深度学习从零开始学

本书以通俗易懂的方式详细介绍深度学习的基础理论及其相关知识，同时提供图像识别、情感分析、迁移学习、人脸识别、图像风格迁移、生成对抗网络等案例引导读者入门深度学习。

本书立足实践，以通俗易懂的方式详细介绍深度学习的基础理论以及相关的必要知识，同时以实际动手操作的方式来引导读者入门人工智能深度学习。本书的读者只需具备Python语言基础知识，不需要有数学基础或者AI基础，按照本书的内容循序渐进地学习，即可快速上手深度学习。本书配套示例源码、PPT课件、数据集、开发环境与答疑服务。 本书共分13章，主要内容包括人工智能、机器学习和深度学习之间的关系、深度学习的环境搭建、深度学习的原理、深度学习框架TensorFlow和Keras、卷积神经网络相关知识、图像识别、情感分析、迁移学习、人脸识别、图像风格迁移、生成对抗网络等内容。本书从最简单的常识出发来切入AI领域，打造平滑和兴奋的学习 体验。 本书作为零基础入门书，既适合希望了解深度学习、使用深度学习框架快速上手的初学者和技术人员阅读，也适合作为高等院校和培训学校人工智能及相关专业的师生的实训教材。

"宋立桓 IT资深技术专家，腾讯公司腾讯云解决方案架构师，主要负责为企业客户提供顾问咨询、培训和方案设计服务。之前服务于微软中国有限公司。目前专注于云计算 、大数据和人工智能，对区块链的相关技术也有深入的研究。 著有图书《Cloudera Hadoop大数据平台实战指南》《AI制胜：机器学习极简入门》《MySQL性能优化和高可用架构实践》等。"

第1章 人工智能、机器学习与深度学习简介1
1.1 什么是人工智能1
1.2 人工智能的本质2
1.3 人工智能相关专业人才的就业前景4
1.4 机器学习和深度学习5
1.4.1 什么是机器学习5
1.4.2 深度学习独领风骚7
1.4.3 机器学习和深度学习的关系和对比8
1.5 小白如何学深度学习10
1.5.1 关于两个“放弃”10
1.5.2 关于三个“必须”11
第2章 深度学习开发环境搭建13
2.1 Jupyter Notebook极速入门13
2.1.1 什么是Jupyter Notebook13
2.1.2 如何安装和启动Jupyter Notebook14
2.1.3 Jupyter Notebook的基本使用16
2.2 深度学习常用框架介绍18
2.3 Windows环境下安装TensorFlow（CPU版本）和Keras19
2.4 Windows环境下安装TensorFlow（GPU版本）和Keras21
2.4.1 确认显卡是否支持CUDA21
2.4.2 安装CUDA22
2.4.3 安装cuDNN23
2.4.4 安装TensorFlow（GPU版本）和Keras24
2.5 Windows环境下安装PyTorch25
2.5.1 安装PyTorch（CPU版本）25
2.5.2 安装PyTorch（GPU版本）26
第3章 Python数据科学库28
3.1 张量、矩阵和向量28
3.2 数组和矩阵运算库——NumPy29
3.2.1 列表和数组的区别29
3.2.2 创建数组的方法30
3.2.3 NumPy的算术运算30
3.2.4 数组变形31
3.3 数据分析处理库——Pandas32
3.3.1 Pandas数据结构Series32
3.3.2 Pandas数据结构DataFrame33
3.3.3 Pandas处理CSV文件34
3.3.4 Pandas数据清洗35
3.4 数据可视化库——Matplotlib37
第4章 深度学习基础40
4.1 神经网络原理阐述40
4.1.1 神经元和感知器40
4.1.2 激活函数42
4.1.3 损失函数44
4.1.4 梯度下降和学习率45
4.1.5 过拟合和Dropout 46
4.1.6 神经网络反向传播法47
4.1.7 TensorFlow游乐场带你玩转神经网络48
4.2 卷积神经网络51
4.2.1 什么是卷积神经网络51
4.2.2 卷积神经网络详解52
4.2.3 卷积神经网络是如何训练的 54
4.3 卷积神经网络经典模型架构55
4.3.1 LeNet556
4.3.2 AlexNet59
4.3.3 VGGNet60
4.3.4 GoogLeNet61
4.3.5 ResNet63
第5章 深度学习框架TensorFlow入门66
5.1 个TensorFlow的“Hello world”66
5.2 TensorFlow程序结构66
5.3 TensorFlow常量、变量、占位符68
5.3.1 常量68
5.3.2 变量69
5.3.3 占位符71
5.4 TensorFlow案例实战73
5.4.1 MNIST数字识别问题73
5.4.2 TensorFlow多层感知器识别手写数字74
5.4.3 TensorFlow卷积神经网络识别手写数字79
5.5 可视化工具TensorBoard的使用84
第6章 深度学习框架Keras入门88
6.1 Keras架构简介88
6.2 Keras常用概念89
6.3 Keras创建神经网络基本流程90
6.4 Keras创建神经网络进行泰坦尼克号生还预测 93
6.4.1 案例项目背景和数据集介绍93
6.4.2 数据预处理96
6.4.3 建立模型97
6.4.4 编译模型并进行训练97
6.4.5 模型评估98
6.4.6 预测和模型的保存99
6.5 Keras创建神经网络预测银行客户流失率100
6.5.1 案例项目背景和数据集介绍100
6.5.2 数据预处理102
6.5.3 建立模型103
6.5.4 编译模型并进行训练104
6.5.5 模型评估105
6.5.6 模型优化——使用深度神经网络辅以Dropout正则化106
第7章 数据预处理和模型评估指标108
7.1 数据预处理的重要性和原则108
7.2 数据预处理方法介绍109
7.2.1 数据预处理案例——标准化、归一化、二值化109
7.2.2 数据预处理案例——缺失值补全、标签化111
7.2.3 数据预处理案例——独热编码113
7.2.4 通过数据预处理提高模型准确率114
7.3 常用的模型评估指标115
第8章 图像分类识别121
8.1 图像识别的基础知识121
8.1.1 计算机是如何表示图像121
8.1.2 卷积神经网络为什么能称霸计算机图像识别领域122
8.2 实例一：手写数字识别125
8.2.1 MNIST手写数字识别数据集介绍125
8.2.2 数据预处理126
8.2.3 建立模型127
8.2.4 进行训练129
8.2.5 模型保存和评估130
8.2.6 进行预测130
8.3 实例二：CIFAR-10图像识别130
8.3.1 CIFAR-10图像数据集介绍131
8.3.2 数据预处理132
8.3.3 建立模型132
8.3.4 进行训练133
8.3.5 模型评估135
8.3.6 进行预测135
8.4 实例三：猫狗识别137
8.4.1 猫狗数据集介绍137
8.4.2 建立模型139
8.4.3 数据预处理140
8.4.4 进行训练141
8.4.5 模型保存和评估142
8.4.6 进行预测143
8.4.7 模型的改进优化144
第9章 IMDB电影评论情感分析148
9.1 IMDB电影数据集和影评文字处理介绍148
9.2 基于多层感知器模型的电影评论情感分析152
9.2.1 加入嵌入层152
9.2.2 建立多层感知器模型152
9.2.3 模型训练和评估153
9.2.4 预测155
9.3 基于RNN模型的电影评论情感分析157
9.3.1 为什么要使用RNN模型157
9.3.2 RNN模型原理158
9.3.3 使用RNN模型进行影评情感分析159
9.4 基于LSTM模型的电影评论情感分析159
9.4.1 LSTM模型介绍160
9.4.2 使用LTSM模型进行影评情感分析161
第10章 迁移学习162
10.1 迁移学习简介162
10.2 什么是预训练模型163
10.3 如何使用预训练模型164
10.4 在猫狗识别的任务上使用迁移学习165
10.5 在MNIST手写体分类上使用迁移学习168
10.6 迁移学习与总结171
第11章 人脸识别实践172
11.1 人脸识别172
11.1.1 什么是人脸识别172
11.1.2 人脸识别的步骤173
11.2 人脸检测和关键点定位实战176
11.3 人脸表情分析情绪识别实战180
11.4 我能认识你——人脸识别实战184
第12章 图像风格迁移188
12.1 图像风格迁移简介188
12.2 使用预训练的VGG16模型进行风格迁移191
12.2.1 算法思想191
12.2.2 算法细节192
12.2.3 代码实现194
12.3 图像风格迁移总结201
第13章 生成对抗网络202
13.1 什么是生成对抗网络202
13.2 生成对抗网络算法细节204
13.3 循环生成对抗网络206
13.4 利用CycleGAN进行图像风格迁移209
13.4.1 导入必要的库210
13.4.2 数据处理210
13.4.3 生成网络212
13.4.4 判别网络214
13.4.5 整体网络结构的搭建215
13.4.6 训练代码217
13.4.7 结果展示219
后记 进一步深入学习220