Python深度学习：模型、方法与实现

本书集合了基于应用领域的高级深度学习的模型、方法和实现。本书分为四部分。第1部分介绍了深度学习的构建和神经网络背后的数学知识。第二部分讨论深度学习在计算机视觉领域的应用。第三部分阐述了自然语言和序列处理。讲解了使用神经网络提取复杂的单词向量表示。讨论了各种类型的循环网络，如长短期记忆网络和门控循环单元网络。第四部分介绍一些虽然还没有被广泛采用但有前途的深度学习技术，包括如何在自动驾驶上应用深度学习。学完本书，读者将掌握与深度学习相关的关键概念，学会如何使用TensorFlow和PyTorch实现相应的AI解决方案。

译者序<br/>前言<br/>作者简介<br/>审校者简介<br/>第一部分核心概念<br/>第1章神经网络的具体细节2<br/>1.1神经网络的数学基础2<br/>1.1.1线性代数2<br/>1.1.2概率介绍6<br/>1.1.3微分学16<br/>1.2神经网络的简单介绍18<br/>1.2.1神经元18<br/>1.2.2层的运算19<br/>1.2.3神经网络21<br/>1.2.4激活函数22<br/>1.2.5通用逼近定理25<br/>1.3训练神经网络27<br/>1.3.1梯度下降27<br/>1.3.2代价函数28<br/>1.3.3反向传播30<br/>1.3.4权重初始化32<br/>1.3.5SGD改进33<br/>1.4总结35<br/>第二部分计算机视觉<br/>第2章理解卷积网络38<br/>2.1理解CNN38<br/>2.1.1卷积类型43<br/>2.1.2提高CNN的效率46<br/>2.1.3可视化CNN51<br/>2.1.4CNN正则化54<br/>2.2迁移学习介绍56<br/>2.2.1使用PyTorch实现迁移学习57<br/>2.2.2使用TensorFlow 2.0实现迁移学习62<br/>2.3总结66<br/>第3章高级卷积网络67<br/>3.1AlexNet介绍67<br/>3.2VGG介绍68<br/>3.3理解残差网络70<br/>3.4理解Inception网络78<br/>3.4.1Inception v179<br/>3.4.2Inception v2和v380<br/>3.4.3Inception v4和InceptionResNet81<br/>3.5Xception介绍82<br/>3.6MobileNet介绍83<br/>3.7DenseNet介绍85<br/>3.8神经架构搜索的工作原理87<br/>3.9胶囊网络介绍91<br/>3.9.1卷积网络的局限性91<br/>3.9.2胶囊92<br/>3.9.3胶囊网络的结构94<br/>3.10总结95<br/>第4章对象检测与图像分割96<br/>4.1对象检测介绍96<br/>4.1.1对象检测的方法96<br/>4.1.2使用YOLO v3进行对象检测98<br/>4.1.3使用Faster RCNN进行对象检测104<br/>4.2图像分割介绍110<br/>4.2.1使用UNet进行语义分割110<br/>4.2.2使用Mask RCNN进行实例分割112<br/>4.3总结115<br/>第5章生成模型116<br/>5.1生成模型的直觉和证明116<br/>5.2VAE介绍117<br/>5.3GAN介绍124<br/>5.3.1训练GAN125<br/>5.3.2实现GAN128<br/>5.3.3训练GAN的缺陷129<br/>5.4GAN的类型129<br/>5.4.1DCGAN130<br/>5.4.2CGAN135<br/>5.4.3WGAN137<br/>5.4.4使用CycleGAN实现图像到图像的转换142<br/>5.5艺术风格迁移介绍150<br/>5.6总结151<br/>第三部分自然语言和序列处理<br/>第6章语言建模154<br/>6.1理解ngram154<br/>6.2神经语言模型介绍156<br/>6.2.1神经概率语言模型157<br/>6.2.2word2vec158<br/>6.2.3GloVe模型161<br/>6.3实现语言模型164<br/>6.3.1训练嵌入模型164<br/>6.3.2可视化嵌入向量166<br/>6.4总结169<br/>第7章理解RNN170<br/>7.1RNN介绍170<br/>7.2长短期记忆介绍180<br/>7.3门控循环单元介绍187<br/>7.4实现文本分类189<br/>7.5总结193<br/>第8章seq2seq模型和注意力机制194<br/>8.1seq2seq模型介绍194<br/>8.2使用注意力的seq2seq196<br/>8.2.1Bahdanau Attention196<br/>8.2.2Luong Attention199<br/>8.2.3一般注意力200<br/>8.2.4使用注意力实现seq2seq201<br/>8.3理解transformer207<br/>8.3.1transformer注意力207<br/>8.3.2transformer模型210<br/>8.3.3实现transformer212<br/>8.4transformer语言模型219<br/>8.4.1基于transformer的双向编码器表示219<br/>8.4.2transformerXL224<br/>8.4.3XLNet227<br/>8.4.4使用transformer语言模型生成文本230<br/>8.5总结231<br/>第四部分展望未来<br/>第9章新兴的神经网络设计234<br/>9.1GNN介绍234<br/>9.1.1循环GNN236<br/>9.1.2卷积图神经网络238<br/>9.1.3图自编码器244<br/>9.1.4神经图学习246<br/>9.2记忆增强神经网络介绍251<br/>9.2.1神经图灵机251<br/>9.2.2MANN*256<br/>9.3总结257<br/>第10章元学习258<br/>10.1元学习介绍258<br/>10.1.1零样本学习259<br/>10.1.2单样本学习260<br/>10.1.3元训练和元测试261<br/>10.2基于度量的元学习262<br/>10.2.1为单样本学习匹配网络263<br/>10.2.2孪生网络264<br/>10.2.3原型网络267<br/>10.3基于优化的元学习269<br/>10.4总结274<br/>第11章自动驾驶汽车的深度学习275<br/>11.1自动驾驶汽车介绍275<br/>11.1.1自动驾驶汽车研究简史275<br/>11.1.2自动化的级别277<br/>11.2自动驾驶汽车系统的组件278<br/>11.2.1环境感知280<br/>11.2.2路径规划282<br/>11.33D数据处理介绍282<br/>11.4模仿驾驶策略285<br/>11.5ChauffeurNet驾驶策略294<br/>11.5.1输入/输出表示294<br/>11.5.2模型架构296<br/>11.5.3训练297<br/>11.6总结300

页　　数：316

开　　本：16开

正文语种：中文