零基础实践深度学习(第二版)

目录

第1章零基础入门深度学习

1.1机器学习和深度学习综述

1.1.1人工智能、机器学习、深度学习的关系

1.1.2机器学习

1.1.3深度学习

1.2使用Python和NumPy构建神经网络模型

1.2.1波士顿房价预测任务

1.2.2构建波士顿房价预测任务的神经网络模型

1.3飞桨开源深度学习平台介绍

1.3.1深度学习框架

1.3.2飞桨产业级深度学习开源开放平台

1.4使用飞桨重写房价预测模型

1.4.1飞桨设计之“道”

1.4.2使用飞桨实现波士顿房价预测任务

1.5NumPy介绍

1.5.1概述

1.5.2基础数据类型： ndarray数组

1.5.3随机数np.random

1.5.4线性代数

1.5.5NumPy保存和导入文件

1.5.6NumPy应用举例

1.5.7飞桨的张量表示

第2章一个示例带你吃透深度学习

2.1使用飞桨完成手写数字识别模型

2.1.1手写数字识别任务

2.1.2构建手写数字识别的神经网络模型

2.1.3模型代码结构一致，大大降低了用户的编码难度

2.1.4采用“横纵式”教学法，适合深度学习初学者

2.2通过极简方案快速构建手写数字识别模型

2.3手写数字识别的数据处理

2.3.1概述

2.3.2数据读取并划分数据集

2.3.3训练样本乱序并生成批次数据

2.3.4校验数据有效性

2.3.5封装数据读取与处理函数

2.3.6异步数据读取

2.4手写数字识别的网络结构

2.4.1概述

2.4.2经典的全连接神经网络

2.4.3卷积神经网络

2.5手写数字识别的损失函数

2.5.1概述

2.5.2分类任务的损失函数

2.6手写数字识别的优化算法

2.6.1概述

2.6.2设置学习率

2.6.3学习率的主流优化算法

2.7手写数字识别的资源配置

2.7.1概述

2.7.2单GPU训练

2.7.3分布式训练

2.8手写数字识别的训练调试与优化

2.8.1概述

2.8.2计算模型的分类准确率

2.8.3检查模型训练过程，识别潜在训练问题

2.8.4加入校验或测试，更好地评价模型效果

2.8.5加入正则化项，避免模型过拟合

2.8.6可视化分析

2.9手写数字识别的模型加载及恢复训练

2.9.1概述

2.9.2恢复训练

2.10手写数字识别的动转静部署

2.10.1概述

2.10.2动态图转静态图训练

2.10.3动态图转静态图模型保存

第3章计算机视觉

3.1卷积神经网络基础

3.1.1概述

3.1.2卷积神经网络

3.2卷积神经网络的几种常用操作

3.2.1概述

3.2.2池化

3.2.3ReLU激活函数

3.2.4批归一化

3.2.5暂退法

3.3图像分类

3.3.1概述

3.3.2LeNet

3.3.3AlexNet

3.3.4VGG

3.3.5GoogLeNet

3.3.6ResNet

3.3.7使用飞桨高层API直接调用图像分类网络

第4章目标检测YOLOv3

4.1目标检测基础概念

4.1.1概述

4.1.2目标检测发展历程

4.1.3目标检测基础概念

4.2目标检测数据处理

4.3目标检测的经典算法YOLOv3

4.3.1YOLOv3设计思想

4.3.2产生候选区域

4.3.3对候选区域进行标注

4.3.4图像特征提取

4.3.5计算预测框位置和类别

4.3.6定义损失函数

4.3.7多尺度检测

4.3.8网络训练

4.3.9模型预测

4.3.10模型效果可视化

4.4AI识虫比赛

4.4.1AI识虫比赛介绍

4.4.2实现参考

4.4.3更多思路参考

第5章自然语言处理

5.1自然语言处理综述

5.1.1概述

5.1.2自然语言处理的发展历程

5.1.3自然语言处理技术面临的挑战

5.1.4自然语言处理的常见任务

5.1.5使用深度学习解决自然语言处理任务的套路

5.2词嵌入

5.2.1概述

5.2.2把词转换为向量

5.2.3让向量具有语义信息

5.2.4CBOW和Skipgram的算法实现

5.3使用飞桨实现Skipgram

5.3.1数据处理

5.3.2网络定义

5.3.3网络训练

5.3.4词嵌入的有趣使用

第6章情感分析

6.1自然语言情感分析

6.1.1概述

6.1.2使用深度神经网络完成情感分析任务

6.2循环神经网络(RNN)和长短时记忆网络(LSTM)

6.2.1RNN和 LSTM 网络的设计思考

6.2.2RNN网络结构

6.2.3LSTM网络结构

6.3使用LSTM完成情感分析任务

6.3.1概述

6.3.2使用飞桨实现基于LSTM的情感分析模型

第7章推荐系统

7.1推荐系统介绍

7.1.1推荐系统产生的背景

7.1.2推荐系统的基本概念

7.1.3思考有哪些信息可以用于推荐

7.1.4使用飞桨探索电影推荐

7.2数据处理与读取

7.2.1数据处理流程

7.2.2构建数据读取器

7.3电影推荐模型设计

7.3.1模型设计介绍

7.3.2Embedding介绍

7.3.3电影特征提取网络

7.3.4相似度计算

7.4模型训练与保存特征

7.4.1模型训练

7.4.2保存特征

7.5电影推荐

7.5.1根据用户喜好推荐电影

7.5.2几点思考收获

7.5.3在工业实践中的推荐系统

第8章精通深度学习的高级内容

8.1高级内容综述

8.1.1为什么要精通深度学习的高级内容

8.1.2高级内容包含哪些武器

8.2模型资源之一： 预训练模型应用工具PaddleHub

8.2.1概述

8.2.2预训练模型的应用背景

8.2.3快速入门PaddleHub

8.2.4PaddleHub提供的预训练模型概览

8.3模型资源之二： 飞桨产业级开源模型库

8.3.1概述

8.3.2图像分割开发套件PaddleSeg实战

8.3.3自然语言处理开发库PaddleNLP实战

8.4飞桨产业级部署工具链

8.4.1概述

8.4.2AI芯片基础和选型建议

8.4.3飞桨原生推理库Paddle Inference

8.4.4飞桨端侧轻量化推理引擎Paddle Lite

8.4.5飞桨模型压缩工具PaddleSlim

8.5设计思想、静态图、动态图和二次研发

8.5.1飞桨设计思想的核心概念

8.5.2飞桨声明式编程(静态图)与命令式编程(动态图)

8.5.3基于飞桨二次研发

8.6应用启发： 行业应用与项目示例

8.6.1人工智能在中国的发展和落地概况

8.6.2传统行业AI应用空间

8.6.3项目示例： 飞桨助力国网山东进行输电通道可视化巡检

8.6.4飞桨产业实践范例库

后记