深度學(xué)習(xí)從0到1

目 錄
第1章 深度學(xué)習(xí)背景介紹 1
1．1 人工智能 1
1．2 機(jī)器學(xué)習(xí) 3
1．2．1 訓(xùn)練數(shù)據(jù)、驗(yàn)證數(shù)據(jù)和測試數(shù)據(jù) 4
1．2．2 學(xué)習(xí)方式 4
1．2．3 機(jī)器學(xué)習(xí)常用算法 5
1．3 人工智能、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)之間的關(guān)系 10
1．4 深度學(xué)習(xí)的應(yīng)用 11
1．5 神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的發(fā)展史 16
1．5．1 神經(jīng)網(wǎng)絡(luò)的誕生：20世紀(jì)40年代到20世紀(jì)60年代 16
1．5．2 神經(jīng)網(wǎng)絡(luò)的復(fù)興：20世紀(jì)80年代到20世紀(jì)90年代 17
1．5．3 深度學(xué)習(xí)：2006年至今 17
1．6 深度學(xué)習(xí)領(lǐng)域中的重要人物 18
1．7 新一輪人工智能爆發(fā)的三要素 19
1．8 參考文獻(xiàn) 19
第2章 搭建Python編程環(huán)境 21
2．1 Python介紹 21
2．2 Anaconda安裝 21
2．3 Jupyter Notebook的簡單使用 25
2．3．1 啟動Jupyter Notebook 26
2．3．2 修改Jupyter Notebook默認(rèn)啟動路徑 26
2．3．3 Jupyter Notebook瀏覽器無法打開 28
2．3．4 Jupyter Notebook基本操作 28
第3章 單層感知器與線性神經(jīng)網(wǎng)絡(luò) 31
3．1 生物神經(jīng)網(wǎng)絡(luò) 31
3．2 單層感知器 32
3．2．1 單層感知器介紹 32
3．2．2 單層感知器計(jì)算舉例 32
3．2．3 單層感知器的另一種表達(dá)形式 33
3．3 單層感知器的學(xué)習(xí)規(guī)則 33
3．3．1 單層感知器的學(xué)習(xí)規(guī)則介紹 33
3．3．2 單層感知器的學(xué)習(xí)規(guī)則計(jì)算舉例 34
3．4 學(xué)習(xí)率 37
3．5 模型的收斂條件 38
3．6 模型的超參數(shù)和參數(shù)的區(qū)別 38
3．7 單層感知器分類案例 39
3．8 線性神經(jīng)網(wǎng)絡(luò) 42
3．8．1 線性神經(jīng)網(wǎng)絡(luò)介紹 42
3．8．2 線性神經(jīng)網(wǎng)絡(luò)分類案例 42
3．9 線性神經(jīng)網(wǎng)絡(luò)處理異或問題 45
第4章 BP神經(jīng)網(wǎng)絡(luò) 50
4．1 BP神經(jīng)網(wǎng)絡(luò)介紹及發(fā)展背景 50
4．2 代價(jià)函數(shù) 51
4．3 梯度下降法 51
4．3．1 梯度下降法介紹 51
4．3．2 梯度下降法二維例子 53
4．3．3 梯度下降法三維例子 55
4．4 Delta學(xué)習(xí)規(guī)則 56
4．5 常用激活函數(shù)講解 56
4．5．1 sigmoid函數(shù) 57
4．5．2 tanh函數(shù) 57
4．5．3 softsign函數(shù) 58
4．5．4 ReLU函數(shù) 59
4．6 BP神經(jīng)網(wǎng)絡(luò)模型和公式推導(dǎo) 61
4．6．1 BP網(wǎng)絡(luò)模型 62
4．6．2 BP算法推導(dǎo) 63
4．6．3 BP算法推導(dǎo)的補(bǔ)充說明 65
4．7 BP算法推導(dǎo)結(jié)論總結(jié) 67
4．8 梯度消失與梯度爆炸 67
4．8．1 梯度消失 67
4．8．2 梯度爆炸 69
4．8．3 使用ReLU函數(shù)解決梯度消失和梯度爆炸的問題 69
4．9 使用BP神經(jīng)網(wǎng)絡(luò)解決異或問題 70
4．10 分類模型評估方法 74
4．10．1 準(zhǔn)確率/精確率/召回率/F1值 74
4．10．2 混淆矩陣 77
4．11 獨(dú)熱編碼 77
4．12 BP神經(jīng)網(wǎng)絡(luò)完成手寫數(shù)字識別 78
4．13 Sklearn手寫數(shù)字識別 83
4．14 參考文獻(xiàn) 84
第5章 深度學(xué)習(xí)框架Tensorflow基礎(chǔ)使用 85
5．1 Tensorflow介紹 86
5．1．1 Tensorflow簡介 86
5．1．2 靜態(tài)圖和動態(tài)圖機(jī)制Eager Execution 86
5．1．3 tf．keras 87
5．2 Tensorflow-cpu安裝 88
5．2．1 Tensorflow-cpu在線安裝 88
5．2．2 安裝過程中可能遇到的問題 89
5．2．3 Tensorflow-cpu卸載 91
5．2．4 Tensorflow-cpu更新 91
5．2．5 Tensorflow-cpu指定版本的安裝 91
5．3 Tensorflow-gpu安裝 91
5．3．1 Tensorflow-gpu了解最新版本情況 91
5．3．2 Tensorflow-gpu安裝CUDA 92
5．3．3 Tensorflow-gpu安裝cuDNN庫 94
5．3．4 Tensorflow-gpu在線安裝 95
5．3．5 Tensorflow-gpu卸載 95
5．3．6 Tensorflow-gpu更新 95
5．4 Tensorflow基本概念 95
5．5 Tensorflow基礎(chǔ)使用 96
5．6 手寫數(shù)字圖片分類任務(wù) 100
5．6．1 MNIST數(shù)據(jù)集介紹 100
5．6．2 softmax函數(shù)介紹 101
5．6．3 簡單MNIST數(shù)據(jù)集分類模型―沒有高級封裝 101
5．6．4 簡單MNIST數(shù)據(jù)集分類模型―keras高級封裝 104
第6章 網(wǎng)絡(luò)優(yōu)化方法 106
6．1 交叉熵代價(jià)函數(shù) 106
6．1．1 均方差代價(jià)函數(shù)的缺點(diǎn) 106
6．1．2 引入交叉熵代價(jià)函數(shù) 109
6．1．3 交叉熵代價(jià)函數(shù)推導(dǎo)過程 109
6．1．4 softmax與對數(shù)似然代價(jià)函數(shù) 110
6．1．5 交叉熵程序 112
6．2 過擬合 114
6．2．1 什么是過擬合 114
6．2．2 抵抗過擬合的方法 117
6．3 數(shù)據(jù)增強(qiáng) 117
6．4 提前停止訓(xùn)練 119
6．5 Dropout 121
6．5．1 Dropout介紹 121
6．5．2 Dropout程序 123
6．6 正則化 125
6．6．1 正則化介紹 125
6．6．2 正則化程序 126
6．7 標(biāo)簽平滑 129
6．7．1 標(biāo)簽平滑介紹 129
6．7．2 標(biāo)簽平滑程序 130
6．8 優(yōu)化器 132
6．8．1 梯度下降法 132
6．8．2 Momentum 133
6．8．3 NAG 133
6．8．4 Adagrad 133
6．8．5 Adadelta 134
6．8．6 RMRprop 134
6．8．7 Adam 134
6．8．8 優(yōu)化器程序 135
6．9 參考文獻(xiàn) 137
第7章 Tensorflow模型的保存和載入 138
7．1 Keras模型保存和載入 138
7．1．1 Keras模型保存 138
7．1．2 Keras模型載入 139
7．2 SavedModel模型保存和載入 140
7．2．1 SavedModel模型保存 140
7．2．2 SavedModel模型載入 141
7．3 單獨(dú)保存模型的結(jié)構(gòu) 142
7．3．1 保存模型的結(jié)構(gòu) 142
7．3．2 載入模型結(jié)構(gòu) 143
7．4 單獨(dú)保存模型參數(shù) 144
7．4．1 保存模型參數(shù) 144
7．4．2 載入模型參數(shù) 145
7．5 ModelCheckpoint自動保存模型 146
7．6 Checkpoint模型保存和載入 149
7．6．1 Checkpoint模型保存 149
7．6．2 Checkpoint模型載入 151
第8章 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 154
8．1 計(jì)算機(jī)視覺介紹 154
8．1．1 計(jì)算機(jī)視覺應(yīng)用介紹 154
8．1．2 計(jì)算機(jī)視覺技術(shù)介紹 155
8．2 卷積神經(jīng)網(wǎng)簡介 158
8．2．1 BP神經(jīng)網(wǎng)絡(luò)存在的問題 158
8．2．2 局部感受野和權(quán)值共享 158
8．3 卷積的具體計(jì)算 159
8．4 卷積的步長 161
8．5 不同的卷積核 162
8．6 池化 163
8．7 Padding 164
8．8 常見的卷積計(jì)算總結(jié) 166
8．8．1 對1張圖像進(jìn)行卷積生成1張?zhí)卣鲌D 166
8．8．2 對1張圖像進(jìn)行卷積生成多張?zhí)卣鲌D 166
8．8．3 對多張圖像進(jìn)行卷積生成1張?zhí)卣鲌D 167
8．8．4 對多張圖像進(jìn)行卷積生成多張?zhí)卣鲌D 168
8．9 經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò) 168
8．10 卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于MNIST數(shù)據(jù)集分類 170
8．11 識別自己寫的數(shù)字圖片 172
8．12 CIFAR-10數(shù)據(jù)集分類 175
8．13 參考文獻(xiàn) 177
第9章 序列模型 178
9．1 序列模型應(yīng)用 178
9．2 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN） 179
9．2．1 RNN介紹 179
9．2．2 Elman network和Jordan network 180
9．3 RNN的不同架構(gòu) 180
9．3．1 一對一架構(gòu) 180
9．3．2 多對一架構(gòu) 181
9．3．3 多對多架構(gòu) 181
9．3．4 一對多架構(gòu) 181
9．3．5 Seq2Seq架構(gòu) 182
9．4 傳統(tǒng)RNN的缺點(diǎn) 182
9．5 長短時(shí)記憶網(wǎng)絡(luò)（LSTM） 183
9．6 Peephole LSTM和FC-LSTM 186
9．6．1 Peephole LSTM介紹 186
9．6．2 FC-LSTM介紹 187
9．7 其他RNN模型 188
9．7．1 門控循環(huán)單元（GRU） 188
9．7．2 雙向RNN 189
9．7．3 堆疊的雙向RNN 190
9．8 LSTM網(wǎng)絡(luò)應(yīng)用于MNIST數(shù)據(jù)集分類 190
9．9 參考文獻(xiàn) 192
第10章 經(jīng)典圖像識別模型介紹（上） 193
10．1 圖像數(shù)據(jù)集 193
10．1．1 圖像數(shù)據(jù)集介紹 193
10．1．2 ImageNet的深遠(yuǎn)影響 194
10．1．3 ImageNet Challenge歷年優(yōu)秀作品 195
10．2 AlexNet 196
10．3 VGGNet 199
10．4 GoogleNet 201
10．4．1 1×1卷積介紹 202
10．4．2 Inception結(jié)構(gòu) 203
10．4．3 GoogleNet網(wǎng)絡(luò)結(jié)構(gòu) 205
10．5 Batch Normalization 208
10．5．1 Batch Normalization提出背景 208
10．5．2 數(shù)據(jù)標(biāo)準(zhǔn)化（Normalization） 209
10．5．3 Batch Normalization模型訓(xùn)練階段 209
10．5．4 Batch Normalization模型預(yù)測階段 210
10．5．5 Batch Normalization作用分析 211
10．6 ResNet 212
10．6．1 ResNet背景介紹 212
10．6．2 殘差塊介紹 213
10．6．3 ResNet網(wǎng)絡(luò)結(jié)構(gòu) 214
10．6．4 ResNet-V2 219
10．7 參考文獻(xiàn) 221
第11章 經(jīng)典圖像識別模型介紹（下） 222
11．1 Inception模型系列 222
11．1．1 Inception-v2/v3優(yōu)化策略 222
11．1．2 Inception-v2/v3模型結(jié)構(gòu) 224
11．1．3 Inception-v4和Inception-ResNet介紹 229
11．2 ResNeXt 233
11．2．1 分組卷積介紹 233
11．2．2 ResNeXt中的分組卷積 235
11．2．3 ResNeXt的網(wǎng)絡(luò)結(jié)構(gòu) 236
11．3 SENet 238
11．3．1 SENet介紹 239
11．3．2 SENet結(jié)果分析 242
11．4 參考文獻(xiàn) 244
第12章 圖像識別項(xiàng)目實(shí)戰(zhàn) 245
12．1 圖像數(shù)據(jù)準(zhǔn)備 245
12．1．1 數(shù)據(jù)集介紹 245
12．1．2 數(shù)據(jù)集準(zhǔn)備 246
12．1．3 切分?jǐn)?shù)據(jù)集程序 247
12．2 AlexNet圖像識別 249
12．3 VGGNet圖像識別 253
12．4 函數(shù)式模型 255
12．4．1 函數(shù)式模型介紹 255
12．4．2 使用函數(shù)式模型進(jìn)行MNIST圖像識別 256
12．5 模型可視化 257
12．5．1 使用plot_model進(jìn)行模型可視化 257
12．5．2 plot_model升級版 260
12．6 GoogleNet圖像識別 261
12．7 Batch Normalization使用 263
12．8 ResNet圖像識別 265
12．9 ResNeXt圖像識別 267
12．10 SENet圖像識別 270
12．11 使用預(yù)訓(xùn)練模型進(jìn)行遷移學(xué)習(xí) 274
12．11．1 使用訓(xùn)練好的模型進(jìn)行圖像識別 274
12．11．2 使用訓(xùn)練好的模型進(jìn)行遷移學(xué)習(xí) 276
12．11．3 載入訓(xùn)練好的模型進(jìn)行預(yù)測 279
第13章 驗(yàn)證碼識別項(xiàng)目實(shí)戰(zhàn) 282
13．1 多任務(wù)學(xué)習(xí)介紹 282
13．2 驗(yàn)證碼數(shù)據(jù)集生成 283
13．3 tf．data介紹 285
13．3．1 tf．data概述 285
13．3．2 使用tf．data完成多任務(wù)學(xué)習(xí)：驗(yàn)證碼識別 286
13．4 使用自定義數(shù)據(jù)生成器完成驗(yàn)證碼識別 294
13．4．1 使用自定義數(shù)據(jù)生成器完成模型訓(xùn)練 294
13．4．2 使用自定義數(shù)據(jù)生成器完成模型預(yù)測 298
13．5 挑戰(zhàn)變長驗(yàn)證碼識別 302
13．5．1 挑戰(zhàn)變長驗(yàn)證碼識別模型訓(xùn)練 302
13．5．2 挑戰(zhàn)變長驗(yàn)證碼識別模型預(yù)測 308
13．6 CTC算法 313
13．6．1 CTC算法介紹 313
13．6．2 貪心算法（Greedy Search）和集束搜索算法（Beam Search） 314
13．6．3 CTC存在的問題 316
13．6．4 CTC算法：驗(yàn)證碼識別 316
第14章 自然語言處理（NLP）發(fā)展歷程（上） 329
14．1 NLP應(yīng)用介紹 329
14．2 從傳統(tǒng)語言模型到神經(jīng)語言模型 332
14．2．1 規(guī)則模型 332
14．2．2 統(tǒng)計(jì)語言模型 333
14．2．3 詞向量 334
14．2．4 神經(jīng)語言模型 336
14．3 word2vec 338
14．3．1 word2vec介紹 338
14．3．2 word2vec模型訓(xùn)練 338
14．3．3 word2vec訓(xùn)練技巧和可視化效果 339
14．4 CNN在NLP領(lǐng)域中的應(yīng)用 340
14．5 RNN在NLP領(lǐng)域中的應(yīng)用 342
14．6 Seq2Seq模型在NLP領(lǐng)域中的應(yīng)用 343
14．7 Attention機(jī)制 344
14．7．1 Attention介紹 344
14．7．2 Bahdanau Attention介紹 346
14．7．3 Luong Attention介紹 348
14．7．4 谷歌機(jī)器翻譯系統(tǒng)介紹 351
14．7．5 Attention機(jī)制在視覺和語音領(lǐng)域的應(yīng)用 352
14．8 參考文獻(xiàn) 354
第15章 自然語言處理（NLP）發(fā)展歷程（下） 355
15．1 NLP新的開始：Transformer模型 355
15．1．1 Transformer模型結(jié)構(gòu)和輸入數(shù)據(jù)介紹 355
15．1．2 Self-Attention介紹 357
15．1．3 Multi-Head Attention介紹 360
15．1．4 Layer Normalization介紹 363
15．1．5 Decoder結(jié)構(gòu)介紹 364
15．1．6 Decoder中的Multi-Head Attention和模型訓(xùn)練 365
15．2 BERT模型 367
15．2．1 BERT模型介紹 368
15．2．2 BERT模型訓(xùn)練 369
15．2．3 BERT模型應(yīng)用 370
15．3 參考文獻(xiàn) 373
第16章 NLP任務(wù)項(xiàng)目實(shí)戰(zhàn) 374
16．1 一維卷積英語電影評論情感分類項(xiàng)目 374
16．1．1 項(xiàng)目數(shù)據(jù)和模型說明 374
16．1．2 一維卷積英語電影評論情感分類程序 375
16．2 二維卷積中文微博情感分類項(xiàng)目 378
16．3 雙向LSTM中文微博情感分類項(xiàng)目 384
16．4 堆疊雙向LSTM中文分詞標(biāo)注項(xiàng)目 387
16．4．1 中文分詞標(biāo)注模型訓(xùn)練 387
16．4．2 維特比算法 391
16．4．3 中文分詞標(biāo)注模型預(yù)測 393
16．5 最新的一些激活函數(shù)介紹 397
16．5．1 Leaky ReLU 397
16．5．2 ELU 399
16．5．3 SELU 400
16．5．4 GELU 401
16．5．5 Swish 402
16．6 BERT模型的簡單使用 403
16．6．1 安裝tf2-bert模塊并準(zhǔn)備預(yù)訓(xùn)練模型 403
16．6．2 使用BERT模型進(jìn)行文本特征提取 404
16．6．3 使用BERT模型進(jìn)行完形填空 406
16．7 BERT電商用戶多情緒判斷項(xiàng)目 407
16．7．1 項(xiàng)目背景介紹 407
16．7．2 模型訓(xùn)練 408
16．7．3 模型預(yù)測 412
16．8 參考文獻(xiàn) 415
第17章 音頻信號處理 416
17．1 深度學(xué)習(xí)在聲音領(lǐng)域的應(yīng)用 416
17．2 MFCC和Mel Filter Banks 417
17．2．1 音頻數(shù)據(jù)采集 417
17．2．2 分幀加窗 418
17．2．3 傅里葉變換 419
17．2．4 梅爾濾波器組 421
17．2．5 梅爾頻率倒譜系數(shù)（MFCC） 423
17．3 語音分類項(xiàng)目 425
17．3．1 librosa介紹 425
17．3．2 音頻分類項(xiàng)目―模型訓(xùn)練 427
17．3．3 音頻分類項(xiàng)目―模型預(yù)測 430
第18章 圖像風(fēng)格轉(zhuǎn)換 433
18．1 圖像風(fēng)格轉(zhuǎn)換實(shí)現(xiàn)原理 433
18．1．1 代價(jià)函數(shù)的定義 434
18．1．2 格拉姆矩陣介紹 435
18．2 圖像風(fēng)格轉(zhuǎn)換項(xiàng)目實(shí)戰(zhàn) 436
18．3 遮擋圖像風(fēng)格轉(zhuǎn)換項(xiàng)目實(shí)戰(zhàn) 441
18．4 參考文獻(xiàn) 443
第19章 生成對抗網(wǎng)絡(luò) 444
19．1 生成對抗網(wǎng)絡(luò)的應(yīng)用 444
19．2 DCGAN介紹 447
19．3 手寫數(shù)字圖像生成 449
19．4 參考文獻(xiàn) 454
第20章 模型部署 455
20．1 Tensorflow Serving環(huán)境部署 455
20．2 運(yùn)行客戶端和服務(wù)器程序 456
20．2．1 準(zhǔn)備SavedModel模型 456
20．2．2 啟動Tensorflow Serving服務(wù)器程序 457
20．2．3 Tensorflow Serving客戶端gRPC程序 459
20．2．4 Tensorflow Serving客戶端REST API程序 461
專業(yè)術(shù)語匯總 463
結(jié)束語 471