PYTHON深度学习实用案例

下载源码
第1章掀开深度学习的面纱 1．1深度学习是什么 1．1．1深度学习的基本思想 1．1．2深度学习和浅层学习 1．1．3深度学习与神经网络 1．1．4深度学习的训练过程 1．2机器学习与深度学习 1．2．1机器学习的算法流程 1．2．2机器学习算法建模 1．2．3机器学习任务 1．2．4深度学习算法流程 1．3深度学习的应用领域与架构 1．3．1深度学习的应用领域 1．3．2深度学习相关框架 1．3．3深度学习实际应用 第2章神经网络的数学基础 2．1认识神经网络 2．2神经网络的数据表示 2．2．1标量 2．2．2向量 2．2．3矩阵 2．2．43D张量与更高维张量 2．2．5关键属性 2．2．6操作张量 2．2．7数据批量 2．2．8现实数据张量 2．3张量运算 2．3．1张量的创建 2．3．2索引和切片访问张量中的数据 2．3．3逐元素运算 2．3．4张量变形 2．3．5广播 2．3．6张量运算的几何解释 2．4梯度优化 2．4．1导数 2．4．2梯度 2．4．3反向传播算法 2．5神经网络剖析 2．5．1层 2．5．2模型 2．5．3损失函数与优化器 2．6Keras介绍 2．6．1Keras的工作方式 2．6．2Keras的设计原则 2．6．3Keras深度学习链接库特色 2．6．4使用Keras创建神经网络 2．6．5使用Keras实现二分类问题 2．6．6使用Keras处理多分类问题 2．6．7使用Keras实现预测房价问题 第3章机器学习的基础 3．1机器学习概述 3．1．1机器学习的历程 3．1．2机器学习的4个分支 3．1．3机器学习的步骤 3．2过拟合和欠拟合 3．2．1减小模型大小 3．2．2添加权重正则化 3．2．3添加dropout正则化 3．3监督学习 3．3．1线性模型 3.3.2逻辑回归 3.3.3支持向量机 3.3.4Adaboost算法 3.3.5决策树 3.3.6随机森林 3.4数据预处理 3.4.1数据预处理概述 3.4.2数据清理 3.4.3数据集成 3.4.4数据变换 3.4.5数据归约 3.4.6Python的数据预处理函数 第4章神经网络分析与应用 4.1单层感知器 4.1.1分类特征表示 4.1.2单层感知器概述 4.1.3多层神经网络 4.2激活函数 4.2.1sigmoid激活函数 4.2.2tanh激活函数 4.2.3ReLU激活函数 4.2.4ReLU6激活函数 4.2.5Leaky ReLU激活函数 4.2.6softmax激活函数 4.2.7ELU激活函数 4.2.8Swish激活函数 4.2.9Mish激活函数 4.2.10Maxout激活函数 4.3解决XOR问题 4.4优化算法 4.4.1梯度下降法 4.4.2AdaGrad算法 4.4.3RMSProp算法 4.4.4AdaDelta算法 4.4.5Adam算法 4.4.6各优化方法实现 4.4.7无约束多维极值 第5章计算视觉分析与应用 5.1从全连接到卷积 5.2卷积神经网络 5.2.1卷积计算过程 5.2.2感受野 5.2.3输出特征尺寸计算 5.2.4全零填充 5.2.5批标准化 5.2.6池化 5.2.7舍弃 5.3现代经典网络 5.3.1LeNet网络 5.3.2AlexNet网络 5.3.3VGGNet网络 5.3.4NiN 5.3.5Google Inception Net网络 5.3.6ResNet网络 5.3.7DenseNet网络 5.4卷积神经网络CIFAR10数据集分类 第6章文本和序列分析与应用 6.1处理文本数据 6.1.1单词和字符的onehot编码 6.1.2使用词嵌入 6.2循环神经网络 6.2.1循环神经网络概述 6.2.2Keras中的循环层 6.2.3RNN的改进算法 6.3ACF和PACF 6.3.1截尾与拖尾 6.3.2自回归过程 6.3.3移动平均过程 6.4循环神经网络的应用 6.4.1温度预测 6.4.2数据准备 6.4.3基准方法 6.4.4基本的机器学习方法 6.4.5**个循环网络基准 6.4.6使用dropout降低过拟合 6.4.7循环层堆叠 6.4.8使用双向RNN 第7章目标检测的分析与应用 7.1目标检测概述 7.1.1传统目标检测 7.1.2基于深度学习的目标检测 7.1.3目标检测的未来 7.1.4目标检测面临的挑战 7.2目标检测法 7.2.1选择性搜索算法 7.2.2保持多样性的策略 7.2.3锚框实现 7.2.4多尺度目标检测 7.3典型的目标检测算法 7.3.1RCNN算法 7.3.2Fast RCNN算法 7.3.3Faster RCNN算法 7.3.4RPN算法 7.3.5YOLO算法 7.3.6SSD算法 第8章生成式深度学习分析与应用 8.1使用LSTM生成文本 8.1.1如何生成序列数据 8.1.2采样策略 8.2DeepDream算法 8.2.1DeepDream算法原理 8.2.2DeepDream算法流程 8.2.3DeepDream算法实现 8.3风格迁移 8.3.1风格迁移定义 8.3.2风格迁移方法 8.3.3风格迁移实例 8.4深入理解自编码器 8.4.1自编码器 8.4.2欠完备自编码器 8.4.3正则自编码 8.5生成对抗网络 8.5.1GAN原理 8.5.2GAN实现 第9章人脸检测分析与应用 9.1KLT 9.1.1光流 9.1.2KLT算法 9.2CAMShift跟踪目标 9.2.1MeanShift算法 9.2.2CAMShift算法 9.3OpenCV实现人脸识别 9.3.1Haar级联实现人脸检测 9.3.2级联实现实时人脸检测与人脸身份识别 9.4HOG识别微笑 9.4.1HOG原理 9.4.2HOG实例应用 9.5卷积神经网络实现人脸识别微笑检测 9.6MTCNN算法实现人脸检测 第10章强化学习分析与应用 10.1强化学习的特点与要素 10.2Q学习 10.2.1Q学习的原理 10.2.2Q学习经典应用 10.3深度Q学习 10.3.1经验回放 10.3.2回合函数的近似法 10.3.3半梯度下降法 10.3.4目标网络 10.3.5相关算法 10.3.6训练算法 10.3.7深度Q学习的应用 10.4双重深度Q网络 10.5对偶深度Q网络 10.6深度Q网络经典应用 参考文献