飛槳PaddlePaddle深度學習實戰(zhàn)

序
前言
第一部分　數(shù)學與編程基礎篇
第1章　數(shù)學基礎與Python庫2
11　Python是進行人工智能編程的主要語言2
12　數(shù)學基礎3
121　線性代數(shù)基礎3
122　微積分基礎7
13　Python庫的操作14
131　NumPy操作14
132　Matplotlib操作19
14　本章小結(jié)23
第2章　深度學習概論與飛槳入門24
21　人工智能、機器學習和深度學習25
211　人工智能25
212　機器學習26
213　深度學習26
22　深度學習的發(fā)展歷程27
221　神經(jīng)網(wǎng)絡的第一次高潮27
222　神經(jīng)網(wǎng)絡的第一次寒冬28
223　神經(jīng)網(wǎng)絡的第二次高潮30
224　神經(jīng)網(wǎng)絡的第二次寒冬30
225　深度學習的來臨31
226　深度學習崛起的時代背景31
23　深度學習的應用場景31
231　圖像與視覺32
232　語音識別32
233　自然語言處理33
234　個性化推薦33
24　常見的深度學習網(wǎng)絡結(jié)構(gòu)34
241　全連接網(wǎng)絡結(jié)構(gòu)34
242　卷積神經(jīng)網(wǎng)絡34
243　循環(huán)神經(jīng)網(wǎng)絡35
25　機器學習回顧35
251　線性回歸的基本概念36
252　數(shù)據(jù)處理37
253　模型概覽38
254　效果展示39
26　深度學習框架簡介40
261　深度學習框架的優(yōu)勢40
262　常見的深度學習框架41
263　飛槳簡介42
264　飛槳安裝42
265　AI Studio43
27　飛槳實現(xiàn)44
28　飛槳服務平臺和工具組件51
281　PaddleHub51
282　X2Paddle54
283　PARL56
284　EasyDL61
29　本章小結(jié)62
第二部分　深度學習基礎篇
第3章　深度學習的單層網(wǎng)絡64
31　Logistic回歸模型64
311　Logistic回歸概述64
312　損失函數(shù)66
313　Logistic回歸的梯度下降68
32　實現(xiàn)Logistic回歸模型72
321　NumPy版本73
322　飛槳版本80
33　本章小結(jié)88
第4章　淺層神經(jīng)網(wǎng)絡89
41　神經(jīng)網(wǎng)絡89
411　神經(jīng)網(wǎng)絡的定義及其結(jié)構(gòu)89
412　神經(jīng)網(wǎng)絡的計算91
42　BP算法96
421　邏輯回歸與BP算法96
422　單樣本雙層神經(jīng)網(wǎng)絡的BP算法97
423　多樣本神經(jīng)網(wǎng)絡的BP算法100
43　BP算法實踐103
431　NumPy版本103
432　飛槳版本110
44　本章小結(jié)114
第5章　深層神經(jīng)網(wǎng)絡116
51　深層網(wǎng)絡介紹116
511　深度影響算法能力116
512　網(wǎng)絡演化過程與常用符號118
52　傳播過程120
521　神經(jīng)網(wǎng)絡算法核心思想120
522　深層網(wǎng)絡正向傳播過程120
523　深層網(wǎng)絡反向傳播過程121
524　傳播過程總結(jié)122
53　網(wǎng)絡的參數(shù)124
54　代碼實現(xiàn)125
541　NumPy版本125
542　飛槳版本128
55　本章小結(jié)130
第6章　卷積神經(jīng)網(wǎng)絡131
61　圖像分類問題描述131
62　卷積神經(jīng)網(wǎng)絡介紹132
621　卷積層132
622　ReLU激活函數(shù)136
623　池化層137
624　Softmax分類層138
625　主要特點139
626　經(jīng)典神經(jīng)網(wǎng)絡架構(gòu)140
63　飛槳實現(xiàn)145
631　數(shù)據(jù)介紹145
632　模型概覽146
633　配置說明146
64　本章小結(jié)153
第7章　循環(huán)神經(jīng)網(wǎng)絡154
71　任務描述154
72　循環(huán)神經(jīng)網(wǎng)絡介紹155
721　長短期記憶網(wǎng)絡156
722　門控循環(huán)單元157
723　雙向循環(huán)神經(jīng)網(wǎng)絡158
724　卷積循環(huán)神經(jīng)網(wǎng)絡159
73　利用飛槳實現(xiàn)機器翻譯159
731　數(shù)據(jù)準備159
732　柱搜索 163
733　模型配置167
734　模型訓練168
735　加載訓練模型進行預測169
74　本章小結(jié)170
第8章　注意力機制171
81　任務描述171
82　注意力機制介紹172
821　Transformer172
822　Non-local神經(jīng)網(wǎng)絡175
823　Attention Cluster神經(jīng)網(wǎng)絡176
83　利用飛槳實現(xiàn)視頻分類177
831　Non-local神經(jīng)網(wǎng)絡177
832　Attention Cluster183
84　本章小結(jié)195
第9章　算法優(yōu)化196
91　基礎知識196
911　訓練、驗證和測試集196
912　偏差和方差197
92　評估198
921　選定評估目標198
922　迭代過程199
923　欠擬合和過擬合199
93　調(diào)優(yōu)策略199
931　降低偏差199
932　降低方差204
94　超參數(shù)調(diào)優(yōu)209
941　隨機搜索和網(wǎng)格搜索209
942　超參數(shù)范圍209
943　分階段搜索210
944　例子：對學習率的調(diào)整210
95　本章小結(jié)212
第三部分　飛槳實踐篇
第10章　目標檢測214
101　任務描述214
102　常見模型解析217
1021　R-CNN系列217
1022　YOLO223
1023　SSD228
103　PaddleDetection應用實踐231
1031　Faster-R-CNN231
1032　YOLOv3234
104　本章小結(jié)237
第11章　圖像生成238
111　任務描述238
1111　圖像生成238
1112　圖像–圖像轉(zhuǎn)換239
1113　文本–圖像轉(zhuǎn)換239
112　模型概覽240
1121　圖像生成240
1122　圖像–圖像241
1123　文本–圖像246
113　PaddleGAN應用實踐248
1131　數(shù)據(jù)準備248
1132　參數(shù)設置248
1133　網(wǎng)絡結(jié)構(gòu)定義249
1134　模型訓練253
1135　模型測試 256
114　本章小結(jié)257
第12章　情感分析258
121　任務描述258
122　算法原理解析259
1221　BOW259
1222　DB-LSTM259
123　情感分析應用實踐261
1231　數(shù)據(jù)集下載261
1232　配置模