深度学习案例精粹:基于TensorFlow与Keras(人工智能技术丛书)

目 录

第1章 深度学习与应用框架 1

1.1 深度学习的概念 1

1.1.1 何为深度学习 1

1.1.2 与传统的“浅层学习”的区别 3

1.2 案例实战：文本的情感分类 3

1.2.1 **步：数据的准备 4

1.2.2 第二步：数据的处理 4

1.2.3 第三步：模型的设计 5

1.2.4 第四步：模型的训练 5

1.2.5 第五步：模型的结果和展示 6

1.3 深度学习的流程、应用场景和模型分类 7

1.3.1 深度学习的流程与应用场景 7

1.3.2 深度学习的模型分类 8

1.4 主流深度学习的框架对比 9

1.4.1 深度学习框架的选择 10

1.4.2 本书选择：Keras与TensorFlow 10

1.5 本章小结 11

第2章 实战卷积神经网络—手写体识别 12

2.1 卷积神经网络理论基础 12

2.1.1 卷积运算 12

2.1.2 TensorFlow中的卷积函数 14

2.1.3 池化运算 16

2.1.4 softmax激活函数 18

2.1.5 卷积神经网络原理 19

2.2 案例实战：MNIST手写体识别 21

2.2.1 MNIST数据集的解析 21

2.2.2 MNIST数据集的特征和标签 23

2.2.3 TensorFlow 2.X编码实现 25

2.2.4 使用自定义的卷积层实现MNIST识别 29

2.3 本章小结 32

第3章 实战ResNet—CIFAR-100数据集分类 33

3.1 ResNet理论基础 33

3.1.1 ResNet诞生的背景 34

3.1.2 模块工具的TensorFlow实现 37

3.1.3 TensorFlow高级模块layers 37

3.2 案例实战：CIFAR-100数据集分类 44

3.2.1 CIFAR-100数据集的获取 44

3.2.2 ResNet残差模块的实现 47

3.2.3 ResNet网络的实现 49

3.2.4 使用ResNet对CIFAR-100数据集进行分类 52

3.3 本章小结 53

第4章 实战循环神经网络GRU—情感分类 54

4.1 情感分类理论基础 54

4.1.1 复习简单的情感分类 54

4.1.2 什么是GRU 55

4.1.3 TensorFlow中的GRU层 57

4.1.4 双向GRU 58

4.2 案例实战：情感分类 59

4.2.1 使用TensorFlow自带的模型来实现分类 59

4.2.2 使用自定义的DPCNN来实现分类 63

4.3 本章小结 67

第5章 实战图卷积—文本情感分类 68

5.1 图卷积理论基础 69

5.1.1 “节点”“邻接矩阵”和“度矩阵”的物理意义 69

5.1.2 图卷积的理论计算 71

5.1.3 图卷积神经网络的传播规则 74

5.2 案例实战：Cora数据集文本分类 75

5.2.1 Cora数据集简介 75

5.2.2 Cora数据集的读取与数据处理 77

5.2.3 图卷积模型的设计与实现 78

5.2.4 图卷积模型的训练与改进 79

5.3 案例实战：基于图卷积的情感分类（图卷积前沿内容） 83

5.3.1 文本结构化处理的思路与实现 83

5.3.2 使用图卷积对文本进行分类实战 89

5.3.3 图卷积模型的改进 93

5.4 本章小结 95

第6章 实战自然语言处理—编码器 96

6.1 编码器理论基础 96

6.1.1 输入层—初始词向量层和位置编码器层 97

6.1.2 自注意力层 99

6.1.3 ticks和LayerNormalization 104

6.1.4 多头自注意力 105

6.2 案例实战：简单的编码器 108

6.2.1 前馈层的实现 108

6.2.2 编码器的实现 109

6.3 案例实战：汉字拼音转化模型 113

6.3.1 汉字拼音数据集处理 113

6.3.2 汉字拼音转化模型的确定 115

6.3.3 模型训练部分的编写 119

6.3.4 推断函数的编写 120

6.4 本章小结 121

第7章 实战BERT—中文文本分类 122

7.1 BERT理论基础 122

7.1.1 BERT基本架构与应用 123

7.1.2 BERT预训练任务与Fine-Tuning 124

7.2 案例实战：中文文本分类 127

7.2.1 使用Hugging Face获取BERT预训练模型 127

7.2.2 BERT实战文本分类 128

7.3 拓展：更多的预训练模型 133

7.4 本章小结 136

第8章 实战自然语言处理—多标签文本分类 137

8.1 多标签分类理论基础 137

8.1.1 多标签分类不等于多分类 137

8.1.2 多标签分类的激活函数—sigmoid 138

8.2 案例实战：多标签文本分类 139

8.2.1 **步：数据的获取与处理 139

8.2.2 第二步：选择特征抽取模型 143

8.2.3 第三步：训练模型的建立 144

8.2.4 第四步：多标签文本分类的训练与预测 145

8.3 本章小结 148

第9章 实战MTCNN—人脸检测 149

9.1 人脸检测基础 150

9.1.1 LFW数据集简介 150

9.1.2 Dlib库简介 151

9.1.3 OpenCV简介 152

9.1.4 使用Dlib做出图像中的人脸检测 152

9.1.5 使用Dlib和OpenCV建立人脸检测数据集 156

9.2 案例实战：基于MTCNN模型的人脸检测 157

9.2.1 MTCNN模型简介 158

9.2.2 MTCNN模型的使用 160

9.2.3 MTCNN模型中的一些细节 167

9.3 本章小结 168

第10章 实战SiameseModel—人脸识别 169

10.1 基于深度学习的人脸识别模型 169

10.1.1 人脸识别的基本模型SiameseModel 170

10.1.2 SiameseModel的实现 171

10.1.3 人脸识别数据集的准备 173

10.2 案例实战：基于相似度计算的人脸识别模型 175

10.2.1 一种新的损失函数Triplet Loss 175

10.2.2 基于TripletSemiHardLoss的MNIST模型 178

10.2.3 基于TripletSemiHardLoss和SENET的人脸识别模型 184

10.3 本章小结 187

第11章 实战MFCC和CTC—语音转换 188

11.1 MFCC理论基础 188

11.1.1 MFCC 188

11.1.2 CTC 194

11.2 案例实战：语音汉字转换 197

11.2.1 **步：数据集THCHS-30简介 197

11.2.2 第二步：数据集的提取与转化 198

11.3 本章小结 204