白話(huà)深度學(xué)習(xí)與TensorFlow

本書(shū)贊譽(yù)
序
前　言
基　礎(chǔ)　篇
第1章　機(jī)器學(xué)習(xí)是什么 2
1.1　聚類(lèi) 4
1.2　回歸 5
1.3　分類(lèi) 8
1.4　綜合應(yīng)用 10
1.5　小結(jié) 14
第2章　深度學(xué)習(xí)是什么 15
2.1　神經(jīng)網(wǎng)絡(luò)是什么 15
2.1.1　神經(jīng)元 16
2.1.2　激勵(lì)函數(shù) 19
2.1.3　神經(jīng)網(wǎng)絡(luò) 24
2.2　深度神經(jīng)網(wǎng)絡(luò) 25
2.3　深度學(xué)習(xí)為什么這么強(qiáng) 28
2.3.1　不用再提取特征 28
2.3.2　處理線(xiàn)性不可分 29
2.4　深度學(xué)習(xí)應(yīng)用 30
2.4.1　圍棋機(jī)器人——AlphaGo 30
2.4.2　被教壞的少女——Tai.ai 32
2.4.3　本田公司的大寶貝——
ASIMO 33
2.5　小結(jié) 37
第3章　TensorFlow框架特性與安裝 38
3.1　簡(jiǎn)介 38
3.2　與其他框架的對(duì)比 39
3.3　其他特點(diǎn) 40
3.4　如何選擇好的框架 44
3.5　安裝TensorFlow 45
3.6　小結(jié) 46
原理與實(shí)踐篇
第4章　前饋神經(jīng)網(wǎng)絡(luò) 50
4.1　網(wǎng)絡(luò)結(jié)構(gòu) 50
4.2　線(xiàn)性回歸的訓(xùn)練 51
4.3　神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 75
4.4　小結(jié) 79
第5章　手寫(xiě)板功能 81
5.1　MNIST介紹 81
5.2　使用TensorFlow完成實(shí)驗(yàn) 86
5.3　神經(jīng)網(wǎng)絡(luò)為什么那么強(qiáng) 92
5.3.1　處理線(xiàn)性不可分 93
5.3.2　挑戰(zhàn)“與或非” 95
5.3.3　豐富的VC——強(qiáng)大的空間
劃分能力 98
5.4　驗(yàn)證集、測(cè)試集與防止過(guò)擬合 99
5.5　小結(jié) 102
第6章　卷積神經(jīng)網(wǎng)絡(luò) 103
6.1　與全連接網(wǎng)絡(luò)的對(duì)比 103
6.2　卷積是什么 104
6.3　卷積核 106
6.4　卷積層其他參數(shù) 108
6.5　池化層 109
6.6　典型CNN網(wǎng)絡(luò) 110
6.7　圖片識(shí)別 114
6.8　輸出層激勵(lì)函數(shù)——SOFTMAX 116
6.8.1　SOFTMAX 116
6.8.2　交叉熵 117
6.9　小試牛刀——卷積網(wǎng)絡(luò)做圖片分類(lèi) 124
6.10　小結(jié) 138
第7章　綜合問(wèn)題 139
7.1　并行計(jì)算 139
7.2　隨機(jī)梯度下降 142
7.3　梯度消失問(wèn)題 144
7.4　歸一化 147
7.5　參數(shù)初始化問(wèn)題 149
7.6　正則化 151
7.7　其他超參數(shù) 155
7.8　不唯一的模型 156
7.9　DropOut 157
7.10　小結(jié) 158
第8章　循環(huán)神經(jīng)網(wǎng)絡(luò) 159
8.1　隱馬爾可夫模型 159
8.2　RNN和BPTT算法 163
8.2.1　結(jié)構(gòu) 163
8.2.2　訓(xùn)練過(guò)程 163
8.2.3　艱難的誤差傳遞 165
8.3　LSTM算法 167
8.4　應(yīng)用場(chǎng)景 171
8.5　實(shí)踐案例——自動(dòng)文本生成 174
8.5.1　RNN工程代碼解讀 174
8.5.2　利用RNN學(xué)習(xí)莎士比亞劇本 183
8.5.3　利用RNN學(xué)習(xí)維基百科 184
8.6　實(shí)踐案例——聊天機(jī)器人 185
8.7　小結(jié) 196
擴(kuò)　展　篇
第9章　深度殘差網(wǎng)絡(luò) 198
9.1　應(yīng)用場(chǎng)景 198
9.2　結(jié)構(gòu)解釋與數(shù)學(xué)推導(dǎo) 200
9.3　拓?fù)浣忉? 205
9.4　Github示例 207
9.5　小結(jié) 207
第10章　受限玻爾茲曼機(jī) 209
10.1　結(jié)構(gòu) 209
10.2　邏輯回歸 210
10.3　最大似然度 212
10.4　最大似然度示例 214
10.5　損失函數(shù) 215
10.6　應(yīng)用場(chǎng)景 216
10.7　小結(jié) 216
第11章　強(qiáng)化學(xué)習(xí) 217
11.1　模型核心 218
11.2　馬爾可夫決策過(guò)程 219
11.2.1　用游戲開(kāi)刀 221
11.2.2　準(zhǔn)備工作 223
11.2.3　訓(xùn)練過(guò)程 224
11.2.4　問(wèn)題 226
11.2.5　Q-Learning算法 228
11.3　深度學(xué)習(xí)中的Q-Learning——DQN 231
11.3.1　OpenAI Gym 234
11.3.2　Atari游戲 237
11.4　小結(jié) 238
第12章　對(duì)抗學(xué)習(xí) 239
12.1　目的 239
12.2　訓(xùn)練模式 240
12.2.1　二元極小極大博弈 240
12.2.2　訓(xùn)練 242
12.3　CGAN 244
12.4　DCGAN 247
12.5　小結(jié) 252
第13章　有趣的深度學(xué)習(xí)應(yīng)用 254
13.1　人臉識(shí)別 254
13.2　作詩(shī)姬 259
13.3　梵高附體 264
13.3.1　網(wǎng)絡(luò)結(jié)構(gòu) 265
13.3.2　內(nèi)容損失 268
13.3.3　風(fēng)格損失 270
13.3.4　系數(shù)比例 271
13.3.5　代碼分析 272
13.4　小結(jié) 279
附錄A　VMware Workstation的安裝 280
附錄B　Ubuntu虛擬機(jī)的安裝 284
附錄C　Python語(yǔ)言簡(jiǎn)介 290
附錄D　安裝Theano 296
附錄E　安裝Keras 297
附錄F　安裝CUDA 298
參考文獻(xiàn) 303