《Python 深度学习》以深度学习框架为基础,介绍机器学习的基础知识与常用方法,全面细致地提供了机器学习操作的原理及其在深度学习框架下的实践步骤。全书共16章,分别介绍了深度学习基础知识、深度学习框架及其对比、机器学习基础知识、深度学习框架(以PyTorch为例)基础、Logistic回归、多层感知器、卷积神经网络与计算机视觉、神经网络与自然语言处理以及8个实战案例。本书将理论与实践紧密结合,相信能为读者提供有益的学习指导。 《Python 深度学习》适合Python深度学习初学者、机器学习算法分析从业人员以及高等院校计算机科学、软件工程等相关专业的师生阅读。

前言 第1章 深度学习简介 1.1 计算机视觉 1.1.1 定义 1.1.2 基本任务 1.1.3 传统方法 1.1.4 仿生学与深度学习 1.1.5 现代深度学习 1.1.6 卷积神经网络 1.2 自然语言处理 1.2.1 自然语言处理的基本问题 1.2.2 传统方法与神经网络方法的比较 1.2.3 发展趋势 1.3 强化学习 1.3.1 什么是强化学习 1.3.2 强化学习算法简介 1.3.3 强化学习的应用 1.4 本章小结 第2章 深度学习框架及其对比 2.1 Caffe 2.1.1 Caffe简介 2.1.2 Caffe的特点 2.1.3 Caffe层及其网络 2.2 TensorFlow 2.2.1 TensorFlow简介 2.2.2 数据流图 2.2.3 TensorFlow的特点 2.2.4 TensorFlow的计算形式 2.3 PyTorch 2.3.1 PyTorch简介 2.3.2 PyTorch的特点 2.3.3 PyTorch的*大优势 2.4 三者的比较 2.5 本章小结 第3章 机器学习基础知识 3.1 ��型评估与模型参数选择 3.1.1 验证 3.1.2 正则化 3.2 监督学习与非监督学习 3.2.1 监督学习 3.2.2 非监督学习 3.3 本章小结 第4章 PyTorch深度学习基础 4.1 Tensor对象及其运算 4.2 Tensor的索引和切片 4.3 Tensor的变换、拼接和拆分 4.4 PyTorch的Reduction操作 4.5 PyTorch的自动微分Autograd 4.6 本章小结 第5章 回归模型 5.1 线性回归 5.2 Logistic回归 5.3 用PyTorch实现Logistic回归 5.3.1 数据准备 5.3.2 线性方程 5.3.3 激活函数 5.3.4 损失函数 5.3.5 优化算法 5.3.6 模型可视化 5.4 本章小结 第6章 多层感知器 6.1 基础概念 6.2 感知器 6.2.1 单层感知器 6.2.2 多层感知器 6.3 BP神经网络 6.3.1 梯度下降 6.3.2 后向传播 6.4 Dropout正则化 6.5 批标准化 6.5.1 批标准化的实现方式 6.5.2 批标准化的使用方法 6.6 本章小结 第7章 卷积神经网络与计算机视觉 7.1 卷积神经网络的基本思想 7.2 卷积操作 7.3 池化层 7.4 卷积神经网络 7.5 经典网络结构 7.5.1 VGG网络 7.5.2 InceptionNet 7.5.3 ResNet 7.6 用PyTorch进行手写数字识别 7.7 本章小结 第8章 神经网络与自然语言处理 8.1 语言建模 8.2 基于多层感知器的架构 8.3 基于循环神经网络的架构 8.3.1 循环单元 8.3.2 通过时间后向传播 8.3.3 带有门限的循环单元 8.3.4 循环神经网络语言模型 8.3.5 神经机器翻译 8.4 基于卷积神经网络的架构 8.5 基于Transformer的架构 8.5.1 多头注意力 8.5.2 非参位置编码 8.5.3 编码器单元与解码器单元 8.6 表示学习与预训练技术 8.6.1 词向量 8.6.2 加入上下文信息的特征表示 8.6.3 网络预训练 8.7 本章小结 第9章 使用TensorFlow进行基于YOLO V3的**帽佩戴检测 9.1 数据准备 9.1.1 数据采集与标注 9.1.2 模型和框架选择 9.1.3 数据格式转换 9.2 模型构建、训练和测试 9.2.1 YOLO系列模型 9.2.2 模型训练 9.2.3 测试与结果 9.3 本章小结 第10章 使用Keras进行人脸关键点检测 10.1 深度学习模型 10.1.1 数据集获取 10.1.2 卷积神经网络的搭建与训练 10.2 模型评价 10.3 本章小结 第11章 使用PyTorch实现基于卷积神经网络的充电宝识别 11.1 机器学习常用的Python工具库 11.1.1 PyTorch 11.1.2 NumPy 11.2 数据样本分析 11.3 数据预处理 11.4 算法模型 11.4.1 卷积神经网络 11.4.2 激活函数 11.4.3 模型建立 11.5 本章小结 第12章 使用PyTorch实现基于词级别的情感分析 12.1 数据集的处理 12.2 模型的搭建 12.2.1 MemNet模型 12.2.2 IAN模型 12.2.3 AOA模型 12.3 训练和评测 12.4 本章小结 第13章 基于生成式对抗网络(GAN)生成动漫人物 13.1 反卷积网络与GAN 13.2 DCGAN 13.3 基于DCGAN的动漫人物生成 13.4 本章小结 第14章 使用Keras进行基于迁移学习的电影评论分类 14.1 迁移学习概述 14.2 IMDB数据集 14.3 构建模型解决IMDB数据集分类问题 14.4 本章小结 第15章 使用PyTorch实现图像超分辨 15.1 SRCNN介绍 15.2 技术方案及核心代码 15.2.1 训练的几个要点 15.2.2 构造数据 15.2.3 构建SRCNN的结构 15.2.4 训练模型 15.3 本章小结 第16章 使用Keras搭建人工神经网络来生成原创音乐 16.1 样例背景介绍 16.1.1 循环神经网络 16.1.2 Music21 16.1.3 Keras 16.2 项目结构设计 16.3 实建步骤 16.3.1 搭建实验环境 16.3.2 观察并分析数据 16.3.3 数据预处理 16.3.4 模型构建 16.3.5 生成音乐