更新时间：2021-07-23 17:53:42
封面
版权信息
内容简介
献言
前言
第1章 深度学习背景介绍
1.1 人工智能
1.2 机器学习
1.3 人工智能、机器学习、神经网络及深度学习之间的关系
1.4 深度学习的应用
1.5 神经网络和深度学习的发展史
1.6 深度学习领域中的重要人物
1.7 新一轮人工智能爆发的三要素
1.8 参考文献
第2章 搭建Python编程环境
2.1 Python介绍
2.2 Anaconda安装
2.3 Jupyter Notebook的简单使用
第3章 单层感知器与线性神经网络
3.1 生物神经网络
3.2 单层感知器
3.3 单层感知器的学习规则
3.4 学习率
3.5 模型的收敛条件
3.6 模型的超参数和参数的区别
3.7 单层感知器分类案例
3.8 线性神经网络
3.9 线性神经网络处理异或问题
第4章 BP神经网络
4.1 BP神经网络介绍及发展背景
4.2 代价函数
4.3 梯度下降法
4.4 Delta学习规则
4.5 常用激活函数讲解
4.6 BP神经网络模型和公式推导
4.7 BP算法推导结论总结
4.8 梯度消失与梯度爆炸
4.9 使用BP神经网络解决异或问题
4.10 分类模型评估方法
4.11 独热编码
4.12 BP神经网络完成手写数字识别
4.13 Sklearn手写数字识别
4.14 参考文献
第5章 深度学习框架Tensorflow基础使用
5.1 Tensorflow介绍
5.2 Tensorflow-cpu安装
5.3 Tensorflow-gpu安装
5.4 Tensorflow基本概念
5.5 Tensorflow基础使用
5.6 手写数字图片分类任务
第6章 网络优化方法
6.1 交叉熵代价函数
6.2 过拟合
6.3 数据增强
6.4 提前停止训练
6.5 Dropout
6.6 正则化
6.7 标签平滑
6.8 优化器
6.9 参考文献
第7章 Tensorflow模型的保存和载入
7.1 Keras模型保存和载入
7.2 SavedModel模型保存和载入
7.3 单独保存模型的结构
7.4 单独保存模型参数
7.5 ModelCheckpoint自动保存模型
7.6 Checkpoint模型保存和载入
第8章 卷积神经网络（CNN）
8.1 计算机视觉介绍
8.2 卷积神经网简介
8.3 卷积的具体计算
8.4 卷积的步长
8.5 不同的卷积核
8.6 池化
8.7 Padding
8.8 常见的卷积计算总结
8.9 经典的卷积神经网络
8.10 卷积神经网络应用于MNIST数据集分类
8.11 识别自己写的数字图片
8.12 CIFAR-10数据集分类
8.13 参考文献
第9章 序列模型
9.1 序列模型应用
9.2 循环神经网络（RNN）
9.3 RNN的不同架构
9.4 传统RNN的缺点
9.5 长短时记忆网络（LSTM）
9.6 Peephole LSTM和FC-LSTM
9.7 其他RNN模型
9.8 LSTM网络应用于MNIST数据集分类
9.9 参考文献
第10章 经典图像识别模型介绍（上）
10.1 图像数据集
10.2 AlexNet
10.3 VGGNet
10.4 GoogleNet
10.5 Batch Normalization
10.6 ResNet
10.7 参考文献
第11章 经典图像识别模型介绍（下）
