深度学习 算法入门与KELAS编程实践

前言 如何获取学习资源 第1章 深度学习入门 1.1 Keras的介绍与安装13 1.2 学习深度学习需要具备的数学基础知识16 第2章 回归算法 2.1 线性回归31 2.2 多元线性回归39 2.3 逻辑回归42 第3章 神经网络入门 3.1 简单神经网络的基本结构50 3.2 正向传播51 3.3 激活函数53 3.4 MLP的反向传播与求导55 3.5 MLP的损失函数59 3.6 权重初始化62 3.7 案例：黑白手写数字识别64 第4章 神经网络进阶—如何提高性能 4.1 欠拟合和过拟合问题69 4.2 模型诊断与误差分析71 4.3 避免过拟合的“良药”—正则化73 4.4 优化算法76 4.4.1 基于梯度下降法的优化算法76 4.4.2 进阶优化算法78 4.5 其他优化性能的方法81 4.6 模型训练的检查清单83 第5章 卷积神经网络 5.1 CNN的构想来源86 5.2 卷积层88 5.3 滤波器89 5.3.1 滤波器的运算规则89 5.3.2 滤波器的作用91 5.3.3 填充和步长95 5.4 彩色图像输入98 5.5 反向传播101 5.6 池化层103 5.7 CNN案例104 5.7.1 黑白手写数字识别104 5.7.2 彩色图像分类107 第6章 循环神经网络 6.1 RNN的基本结构115 6.2 RNN的正向传播118 6.3 RNN的反向传播120 6.4 简单的RNN案例122 6.5 训练RNN时的问题与解决方案129 6.5.1 梯度爆炸和梯度消失130 6.5.2 梯度问题的解决方案132 6.6 解决长期依赖问题的“良药”—GRU和LSTM133 6.6.1 GRU134 6.6.2 LSTM138 6.7 RNN案例：影评分析142 6.7.1 准备知识—词嵌入142 6.7.2 代码解析144 第7章 自动编码器 7.1 AE的结构149 7.2 重构损失151 7.3 简单的AE案例153 7.4 Sparse AE155 7.5 去噪自动编码器157 7.6 上色器160 第8章 变分自动编码器 8.1 VAE的结构171 8.2 对VAE的深层理解174 8.3 损失函数175 8.4 重参数技巧180 8.5 VAE案例181 第9章 对抗生成网络 9.1 GAN的基本结构191 9.2 GAN的训练192 9.3 GAN的数学原理195 9.4 GAN案例：DCGAN198 第10章 AI的眼睛Ⅰ—基于CNN的图像识别 10.1 VGGNet209 10.2 Inception214 10.3 ResNet220 10.4 迁移学习226 第11章 AI的眼睛Ⅱ—基于CNN的目标检测 11.1 R-CNN232 11.2 Fast R-CNN241 11.3 Faster R-CNN243 11.4 YOLO算法246 第12章 循环神经网络的进阶算法 12.1 BRNN250 12.2 Encoder-Decoder255 12.3 注意力机制257