線上閱讀
本書提供兩種檔案格式，請選擇開啟：
EPUB彈性排版，可依載具大小自動斷行或換頁，較適合小螢幕閱讀。
書籍內容
TOP
《深度學習筆記》作為一本以“筆記”命名的深度學習圖書，主要定位是面向廣大希望入門深度學習的初學者。本書以深度神經網絡(DNN)、卷積神經網絡(CNN)和循環神經網絡(RNN)為核心，詳細介紹了深度學習的理論基礎、通用方法和三大網絡的原理與實踐。全書代碼以Keras框架作為範例，對於初學者而言簡單易懂。對於深度學習而言，本書內容豐富，知識覆蓋面廣，兼有代碼實戰,適合想要入門深度學習的廣大學習者閱讀。
- 目錄
-
版权信息 - 推荐序
- 前言
- 第1讲 神经网络与深度学习
- 1.1 机器学习与深度学习的关系
- 1.2 感知机与神经网络
- 第2讲 神经网络的过拟合与正则化
- 2.1 机器学习的核心要义
- 2.2 范数与正则化
- 2.3 神经网络的正则化和Dropout
- 第3讲 深度学习的优化算法
- 3.1 机器学习的数学规约
- 3.2 损失函数和深度学习优化算法
- 3.3 梯度下降法
- 3.4 从Momentum到Adam
- 第4讲 卷积神经网络
- 4.1 CNN发展简史与相关人物
- 4.2 卷积的含义
- 4.3 池化和全连接
- 第5讲 CNN图像学习过程与可视化
- 5.1 CNN的直观理解
- 5.2 CNN图像学习的可视化
- 第6讲 CNN图像分类：从LeNet5到EfficientNet
- 6.1 计算机视觉的三大任务
- 6.2 CNN图像分类发展史
- 第7讲 CNN目标检测：从RCNN到YOLO
- 7.1 目标检测概述
- 7.2 CNN目标检测算法
- 第8讲 CNN图像分割：从FCN到U-Net
- 8.1 语义分割和实例分割概述
- 8.2 语义分割
- 第9讲 迁移学习理论与实践
- 9.1 迁移学习：深度学习未来五年的驱动力？
- 9.2 迁移学习的使用场景
- 9.3 深度卷积网络的可迁移性
- 9.4 迁移学习的使用方法
- 9.5 基于ResNet的迁移学习实验
- 第10讲 循环神经网络
- 10.1 从语音识别到自然语言处理
- 10.2 RNN：网络架构与技术
- 10.3 四种RNN结构
- 第11讲 长短期记忆网络
- 11.1 深度神经网络的困扰：梯度爆炸与梯度消失
- 11.2 LSTM：让RNN具备更好的记忆机制
- 第12讲 自然语言处理与词向量
- 12.1 自然语言处理简介
- 12.2 词汇表征
- 12.3 词向量与语言模型
- 第13讲 word2vec词向量
- 13.1 word2vec
- 13.2 word2vec的训练过程：以CBOW为例
- 第14讲 seq2seq与注意力模型
- 14.1 seq2seq的简单介绍
- 14.2 注意力模型
- 14.3 基于seq2seq和Attention机制的机器翻译实践
- 第15讲 语音识别
- 15.1 概述
- 15.2 信号处理与特征提取
- 15.3 传统声学模型
- 15.4 基于深度学习的声学模型
- 15.5 端到端的语音识别系统简介
- 第16讲 从Embedding到XLNet：NLP预训练模型简介
- 16.1 从Embedding到ELMo
- 16.2 特征提取器：Transformer
- 16.3 低调王者：GPT
- 16.4 封神之作：BERT
- 16.5 持续创新：XLNet
- 第17讲 深度生成模型之自编码器
- 17.1 自编码器
- 17.2 自编码器的降噪作用
- 17.3 变分自编码器
- 17.4 VAE的Keras实现
- 第18讲 深度生成模型之生成式对抗网络
- 18.1 GAN
- 18.2 训练一个DCGAN
- 第19讲 神经风格迁移、深度强化学习与胶囊网络
- 19.1 神经风格迁移
- 19.2 深度强化学习
- 19.3 胶囊网络
- 第20讲 深度学习框架
- 20.1 概述
- 20.2 TensorFlow
- 20.3 Keras
- 20.4 PyTorch
- 第21讲 深度学习数据集
- 21.1 CV经典数据集
- 21.2 NLP经典数据集
- 参考文献
下載書籍。
