Python遷移學習

第 1部分　深度學習基礎
第 1章　機器學習基礎\t2
1．1　什么是機器學習\t3
1．1．1　機器學習的正式定義\t4
1．1．2　淺層學習和深度學習\t4
1．2　機器學習算法\t5
1．2．1　監(jiān)督學習\t6
1．2．2　無監(jiān)督學習\t9
1．3　CRISP-DM\t11
1．3．1　業(yè)務理解\t12
1．3．2　數據理解\t12
1．3．3　數據準備\t13
1．3．4　建模\t13
1．3．5　評估\t13
1．3．6　部署\t14
1．4　標準機器學習工作流\t14
1．4．1　數據檢索\t15
1．4．2　數據準備\t15
1．4．3　建模\t16
1．4．4　模型評估和調優(yōu)\t17
1．4．5　部署和監(jiān)控\t21
1．5　探索性數據分析\t22
1．6　特征提取和特征工程\t29
1．7　特征選擇\t33
1．8　總結\t34
第 2章　深度學習精要\t35
2．1　什么是深度學習\t35
2．2　深度學習框架\t37
2．3　創(chuàng)建一個支持GPU的云端深度學習環(huán)境\t40
2．3．1　選擇一個云供應商\t41
2．3．2　設置虛擬服務器\t41
2．3．3　配置虛擬服務器\t45
2．3．4　安裝和升級深度學習依賴項\t47
2．3．5　訪問深度學習云環(huán)境\t52
2．3．6　在深度學習環(huán)境中驗證啟用GPU\t53
2．4　創(chuàng)建一個支持GPU的、健壯的內部深度學習環(huán)境\t55
2．5　神經網絡基礎\t55
2．5．1　一個簡單的線性神經元\t55
2．5．2　基于梯度的最優(yōu)化問題\t56
2．5．3　雅可比矩陣和海森矩陣\t60
2．5．4　導數的鏈式法則\t61
2．5．5　隨機梯度下降法\t61
2．5．6　非線性神經單元\t64
2．5．7　學習一個簡單的非線性單元——邏輯單元\t66
2．5．8　損失函數\t67
2．5．9　數據表示\t68
2．5．10　多層神經網絡\t71
2．5．11　反向傳播——訓練深度神經網絡\t73
2．5．12　神經網絡學習中的挑戰(zhàn)\t75
2．5．13　模型參數初始化\t78
2．5．14　提升SGD\t80
2．5．15　神經網絡的過擬合和欠擬合\t81
2．5．16　神經網絡的超參數\t84
2．6　總結\t85
第3章　理解深度學習架構\t86
3．1　神經網絡架構\t86
3．2　各種神經網絡架構\t88
3．2．1　多層感知機和深度神經網絡\t88
3．2．2　自編碼神經網絡\t88
3．2．3　變分自編碼器\t89
3．2．4　生成式對抗網絡\t91
3．2．5　卷積神經網絡\t93
3．2．6　膠囊網絡\t103
3．2．7　遞歸神經網絡\t107
3．2．8　記憶神經網絡\t114
3．2．9　神經圖靈機\t117
3．2．10　基于注意力的神經網絡模型\t121
3．3　總結\t122
第 2部分　遷移學習精要
第4章　遷移學習基礎\t124
4．1　遷移學習簡介\t124
4．2　遷移學習策略\t127
4．3　遷移學習和深度學習\t129
4．3．1　遷移學習方法論\t130
4．3．2　預訓練模型\t131
4．3．3　應用\t131
4．4　深度遷移學習類型\t132
4．4．1　領域適應\t132
4．4．2　領域混淆\t132
4．4．3　多任務學習\t133
4．4．4　一次性學習\t133
4．4．5　零樣本學習\t134
4．5　遷移學習的挑戰(zhàn)\t134
4．5．1　負向遷移\t134
4．5．2　遷移邊界\t135
4．6　總結\t135
第5章　釋放遷移學習的威力\t136
5．1　遷移學習的必要性\t137
5．1．1　闡述現實世界問題\t137
5．1．2　構建數據集\t138
5．1．3　描述方法\t140
5．2　從零開始構建CNN模型\t140
5．2．1　基本CNN模型\t143
5．2．2　正則化的CNN模型\t146
5．2．3　圖像增強的CNN模型\t148
5．3　使用預訓練的CNN模型利用遷移學習\t153
5．3．1　理解VGG-16模型\t154
5．3．2　作為特征提取器的預訓練CNN模型\t156
5．3．3　作為特征提取器并使用圖像增強的預訓練CNN模型\t162
5．3．4　使用微調和圖像增強的預訓練CNN模型\t164
5．4　評估我們的深度學習模型\t168
5．4．1　模型在一個樣本測試圖像上進行預測\t168
5．4．2　將CNN模型的感知可視化\t170
5．4．3　在測試數據上評估模型性能\t174
5．5　總結\t177
第3部分　遷移學習案例研究
第6章　圖像識別和分類\t180
6．1　基于深度學習的圖像分類\t180
6．2　基準數據集\t181
6．3　最先進的深度圖像分類模型\t182
6．4　圖像分類和遷移學習\t183
6．4．1　CIFAR-10數據集\t183
6．4．2　犬種鑒定數據集\t189
6．5　總結\t199
第7章　文本文檔分類\t200
7．1　文本分類\t201
7．1．1　傳統(tǒng)文本分類\t201
7．1．2　BoW模型的缺點\t202
7．1．3　基準數據集\t203
7．2　單詞表示形式\t204
7．2．1　Word2vec模型\t204
7．2．2　使用gensim框架的Word2vec模型\t205
7．2．3　GloVe模型\t208
7．3　CNN文檔模型\t210
7．3．1　構建一個評論情感分類器\t216
7．3．2　哪些單詞嵌入變化最大\t220
7．3．3　遷移學習在IMDB數據集中的應用\t220
7．3．4　使用Wordvec嵌入在完整的IMDB數據集上進行訓練\t223
7．3．5　使用CNN模型創(chuàng)建文檔摘要\t224
7．3．6　使用CNN模型進行多類別分類\t228
7．3．7　文檔嵌入可視化\t231
7．4　總結\t233
第8章　音頻事件識別和分類\t234
8．1　理解音頻事件分類\t235
8．2　音頻事件的探索性分析\t236
8．3　音頻事件的特征工程和表示方法\t245
8．4　使用遷移學習進行音頻事件分類\t249
8．4．1　根據基本特征構建數據集\t250
8．4．2　利用遷移學習進行特征提取\t251
8．4．3　構建分類模型\t253
8．4．4　評估分類器的性能\t257
8．5　構建一個深度學習音頻事件識別器\t260
8．6　總結\t263
第9章　DeepDream\t264
9．1　介紹\t264
9．1．1　計算機視覺中的算法幻想性視錯覺\t265
9．1．2　可視化特征圖\t267
9．2　DeepDream算法\t273
9．3　總結\t277
第 10章　風格遷移\t278
10．1　理解神經風格遷移\t279
10．2　圖像預處理方法\t280
10．3　構建損失函數\t282
10．3．1　內容損失\t282
10．3．2　風格損失\t283
10．3．3　總變差損失\t283
10．3．4　總體損失函數\t284
10．4　創(chuàng)建一個自定義優(yōu)化器\t285
10．5　風格遷移實戰(zhàn)\t286
10．6　總結\t290
第 11章　自動圖像掃描生成器\t291
11．1　理解圖像描述\t292
11．2　明確目標\t293
11．3　理解數據\t294
11．4　構建自動圖像描述系統(tǒng)的方法\t295
11．4．1　概念方法\t295
11．4．2　實際動手的方法\t299
11．5　使用遷移學習的圖像特征提取\t301
11．6　為描述構建一個詞匯表\t306
11．7　構建一個圖像描述數據集生成器\t308
11．8　構建圖像語言編碼器-解碼器深度學習模型\t314
11．9　訓練圖像描述深度學習模型\t316
11．10　評估圖像描述深度學習模型\t320
11．10．1　加載數據和模型\t320
11．10．2　理解貪婪搜索和集束搜索\t321
11．10．3　實現一個基于集束搜索的描述生成器\t321
11．10．4　理解并實現BLEU分數\t323
11．10．5　在測試數據上評估模型性能\t324
11．11　自動圖像描述實戰(zhàn)\t327
11．11．1　戶外場景樣本圖像描述\t329
11．11．2　流行運動樣本圖像描述\t332
11．11．3　未來的改進空間\t334
11．12　總結\t334
第 12章　圖像著色\t335
12．1　問題陳述\t336
12．2　彩色圖像\t336
12．2．1　顏色理論\t337
12．2．2　顏色模型和顏色
空間\t337
12．2．3　重審問題陳述\t339
12．3　構建一個著色深度神經網絡\t341
12．3．1　預處理\t341
12．3．2　損失函數\t342
12．3．3　編碼器\t343
12．3．4　遷移學習——特征提取\t344
12．3．5　融合層\t344
12．3．6　解碼器\t345
12．3．7　后處理\t347
12．3．8　訓練和結果\t348
12．4　挑戰(zhàn)\t350
12．5　進一步改進\t350
12．6　總結\t350