深度学习 卷积神经网络技术与实践PDF电子书下载

查看更多关于的内容

第1章 深度学习简介 1

1.1 机器学习与深度学习 1

1.2 TensorFlow概述 2

1.3 环境搭建 3

1.3.1 在Windows系统下安装Anaconda 3

1.3.2 在Anaconda下安装TensorFlow与Keras 6

1.3.3 Spyder编辑器 8

第2章 Python基础 11

2.1 数据类型 11

2.1.1 数值类型 11

2.1.2 字符串类型 13

2.1.3 布尔类型 13

2.2 变量与常量 14

2.3 运算符 14

2.3.1 运算符概述 14

2.3.2 运算符优先级 15

2.4 选择与循环 15

2.4.1 if语句 15

2.4.2 while循环 18

2.4.3 for循环 20

2.4.4 break和continue 21

2.5 列表与元组 23

2.5.1 创建 23

2.5.2 查询 24

2.5.3 修改 24

2.5.4 删除 26

2.6 字典 26

2.6.1 字典的创建 27

2.6.2 字典的常规操作 27

2.6.3 字典的遍历 29

2.7 函数 29

2.7.1 函数的定义与调用 30

2.7.2 参数传递 31

2.8 面向对象编程 33

2.8.1 类与对象 33

2.8.2 继承与多态 34

2.9 思考与练习 37

第3章 神经网络基础 38

3.1 单层神经网络 38

3.2 多层神经网络 39

3.2.1 隐藏层 39

3.2.2 输入层与输出层 41

3.3 激活函数 42

3.3.1 Sigmoid函数 42

3.3.2 Tanh函数 43

3.3.3 Relu函数 44

3.3.4 Softmax函数 45

3.4 神经网络工作过程 45

3.5 损失函数 47

3.5.1 均方差函数 47

3.5.2 交叉熵函数 47

3.6 优化算法 48

3.7 反向传播 49

3.8 泛化能力 52

3.9 多层感知器 53

3.10 MNIST数据集 54

3.10.1 下载MNIST数据集 54

3.10.2 数据预处理 56

3.11 Keras实现感知器的手写体识别 58

3.11.1 单层感知器手写体识别 58

3.11.2 多层感知器手写体识别 61

3.12 思考与练习 67

第4章 卷积神经网络 68

4.1 卷积神经网络结构及原理 68

4.1.1 卷积神经网络特点 69

4.1.2 卷积层 70

4.1.3 池化层 72

4.1.4 全连接层 73

4.2 卷积神经网络工作过程 74

4.3 简单卷积神经网络实现MNIST分类 76

4.3.1 MNIST数据集预处理 76

4.3.2 简单卷积神经网络搭建 77

4.4 CIFAR-10数据集 84

4.4.1 下载CIFAR-10数据集 85

4.4.2 CIFAR-10数据集预处理 87

4.5 简单卷积神经网络实现CIFAR-10分类 88

4.6 思考与练习 93

第5章 经典卷积网络结构 94

5.1 LeNet概述 94

5.2 LeNet实现MNIST分类 95

5.2.1 MNIST数据预处理 95

5.2.2 基于Keras搭建LeNet网络结构 95

5.2.3 对LeNet网络模型进行编译、训练、评估与预测 98

5.3 AlexNet概述 101

5.4 AlexNet实现MNIST分类 103

5.4.1 基于Keras搭建AlexNet网络结构 103

5.4.2 对AlexNet网络模型进行编译、训练、评估与预测 107

5.5 VGG16概述 110

5.6 VGG16实现MNIST分类 111

5.6.1 基于Keras搭建VGG16网络结构 112

5.6.2 对VGG16网络模型进行评估与预测 115

5.7 思考与练习 117

第6章 经典卷积网络结构进阶 118

6.1 GoogLeNet概述 118

6.2 GoogLeNet实现MNIST分类 119

6.2.1 基于Keras搭建GoogLeNet网络结构 119

6.2.2 对GoogLeNet进行训练、评估与预测 125

6.3 ResNet概述 129

6.4 ResNet50实现MNIST分类 131

6.4.1 基于Keras搭建ResNet50网络结构 131

6.4.2 对ResNet50网络模型进行训练、评估与预测 138

6.5 思考与练习 142

第7章 迁移学习 143

7.1 基于卷积网络实现迁移学习 143

7.2 InceptionV3实现迁移学习 144

7.3 Xception实现迁移学习 150

7.4 MobileNet实现迁移学习 155

7.5 简单卷积网络实现迁移学习 164

7.6 思考与练习 172

第8章 循环神经网络 173

8.1 循环神经网络概述 173

8.2 长短期记忆网络 174

8.2.1 LSTM前向传播 175

8.2.2 LSTM反向传播 176

8.3 Reuters数据集 176

8.3.1 Reuters数据集概述 176

8.3.2 文本信息预处理 177

8.4 简单RNN实现Reuters分类 180

8.5 LSTM实现Reuters分类 185

8.6 思考与练习 190

第9章 强化学习 191

9.1 初识强化学习 191

9.1.1 什么是强化学习 192

9.1.2 强化学习能解决什么类型的问题 193

9.1.3 强化学习如何解决问题 194

9.2 强化学习理论基础 194

9.2.1 基本组成元素 194

9.2.2 基本模型 196

9.2.3 价值函数 198

9.3 求解强化学习——有模型 199

9.3.1 动态规划与贝尔曼方程 199

9.3.2 策略迭代 200

9.3.3 值迭代 202

9.3.4 值迭代算法实现格子世界 202

9.4 求解强化学习——无模型 208

9.4.1 蒙特卡罗算法 208

9.4.2 时间差分法 209

9.4.3 Q-learning算法 210

9.4.4 Q-learning实现格子世界 211

9.5 思考与练习 213

第10章 深度强化学习 214

10.1 深度强化学习框架 214

10.2 TensorFlow编程 216

10.2.1 TensorFlow的计算模型——计算图 216

10.2.2 TensorFlow的数据模型——张量 219

10.2.3 TensorFlow的运行模型——会话 220

10.2.4 TensorFlow变量 222

10.2.5 TensorFlow共享变量 225

10.3 Gym的安装及使用 226

10.3.1 Gym的安装 226

10.3.2 Gym的使用 227

10.4 基于值的算法更新 229

10.4.1 Q-learning实现 229

10.4.2 DQN算法原理 233

10.4.3 DQN算法实现 236

10.4.4 DDQN算法原理 241

10.4.5 DDQN算法实现 243

10.5 思考与练习 248

第11章 基于策略的算法更新与趋势 250

11.1 策略梯度法 250

11.1.1 策略目标函数 251

11.1.2 策略梯度定理 252

11.1.3 策略梯度算法实现 254

11.2 演员-评论家算法 258

11.2.1 演员-评论家算法原理 258

11.2.2 演员-评论家算法实现 259

11.3 优势演员-评论家算法 263

11.3.1 优势演员-评论家算法原理 264

11.3.2 优势演员-评论家算法实现 265

11.4 异步优势演员-评论家算法 269

11.4.1 异步优势演员-评论家算法原理 270

11.4.2 异步优势演员-评论家算法实现 272

11.5 深度强化学习的发展趋势 278

11.6 思考与练习 279

查看更多关于的内容