深度学习基础教程PDF|Epub|txt|kindle电子书版本网盘下载

深度学习基础教程PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 为什么进行深度学习1

1.1 什么是人工智能和深度学习1

1.2 深度学习的历史及其兴起2

1.3 为什么进行深度学习7

1.3.1 相比于传统浅层方法的优势7

1.3.2 深度学习的影响8

1.4 深层架构的动机9

1.4.1 神经的观点10

1.4.2 特征表示的观点10

1.5 应用14

1.5.1 盈利性应用14

1.5.2 成功案例14

1.5.3 面向企业的深度学习19

1.6 未来的潜力和挑战20

1.7 小结21

第2章 为深度学习做准备22

2.1 线性代数的基础知识22

2.1.1 数据表示22

2.1.2 数据操作23

2.1.3 矩阵属性24

2.2 使用GPU进行深度学习24

2.2.1 深度学习硬件指南26

2.3 深度学习软件框架27

2.3.1 TensorFlow27

2.3.2 Caffe27

2.3.3 MXNet28

2.3.4 Torch28

2.3.5 Theano28

2.3.6 CNTK29

2.3.7 Keras29

2.3.8 框架比较29

2.4 基本亚马逊网络服务的深度学习开发环境配置30

2.4.1 从零开始配置30

2.4.2 基于Docker的配置33

2.5 小结34

第3章 神经网络入门35

3.1 多层感知机35

3.1.1 输入层36

3.1.2 输出层36

3.1.3 隐藏层36

3.1.4 激活函数36

3.2 如何进行网络学习39

3.2.1 权值初始化39

3.2.2 前向传播39

3.2.3 反向传播40

3.2.4 梯度消失与爆炸42

3.2.5 优化算法42

3.2.6 正则化43

3.3 深度学习模型43

3.3.1 卷积神经网络43

3.3.2 受限玻耳兹曼机47

3.3.3 循环神经网络（RNNLSTM网络）50

3.3.4 RNN中的单元及其展开51

3.3.5 通过时间的反向传播51

3.3.6 梯度消失与LSTM网络51

3.3.7 LSTM网络中的单元和网关52

3.4 应用示例53

3.4.1 TensorFlow设置与关键概念53

3.4.2 手写数字识别54

3.5 小结57

第4章 计算机视觉中的深度学习58

4.1 卷积神经网络的起源58

4.2 卷积神经网络59

4.2.1 数据变换61

4.2.2 网络层62

4.2.3 网络初始化65

4.2.4 正则化66

4.2.5 损失函数67

4.2.6 模型可视化68

4.2.7 手写数字分类示例69

4.3 微调卷积神经网络71

4.4 主流的卷积神经网络架构72

4.4.1 AlexNet72

4.4.2 VGG72

4.4.3 GoogLeNet73

4.4.4 ResNet73

4.5 小结74

第5章 自然语言处理中的向量表示75

5.1 传统的自然语言处理75

5.1.1 BoW75

5.1.2 带权的tf-idf76

5.2 基于深度学习的自然语言处理77

5.2.1 动机及分散式表示法77

5.2.2 词嵌入78

5.2.3 Word2Vec81

5.2.4 了解GloVe92

5.2.5 FastText92

5.3 应用93

5.3.1 使用示例93

5.3.2 微调93

5.4 小结94

第6章 高级自然语言处理95

6.1 面向文本的深度学习95

6.1.1 神经网络的局限性95

6.2 循环神经网络96

6.2.1 RNN架构97

6.2.2 基本的RNN模型98

6.2.3 训练RNN很难98

6.3 LSTM网络99

6.3.1 使用TensorFlow实现LSTM网络101

6.4 应用103

6.4.1 语言建模103

6.4.2 序列标注104

6.4.3 机器翻译106

6.4.4 聊天机器人109

6.5 小结110

第7章 多模态111

7.1 什么是多模态学习111

7.2 多模态学习的挑战111

7.2.1 模态表示112

7.2.2 模态转换112

7.2.3 模态对齐112

7.2.4 模态融合113

7.2.5 协同学习113

7.3 图像标注生成113

7.3.1 show＆tell算法114

7.3.2 其他类型的方法116

7.3.3 数据集117

7.3.4 评估方法119

7.3.5 注意力模型121

7.4 视觉问答125

7.5 基于多源的自动驾驶127

7.6 小结130

第8章 深度强化学习131

8.1 什么是强化学习131

8.1.1 问题设置132

8.1.2 基于值函数学习的算法132

8.1.3 基于策略搜索的算法134

8.1.4 基于Actor-Critic的算法134

8.2 深度强化学习135

8.2.1 深度Q网络（DQN）135

8.2.2 双DQN137

8.2.3 竞争DQN138

8.3 强化学习实现138

8.3.1 简单的强化学习示例138

8.3.2 以Q-learning为例的强化学习139

8.4 小结141

第9章 深度学习的技巧142

9.1 处理数据142

9.1.1 数据清理142

9.1.2 数据扩充142

9.1.3 数据归一化143

9.2 训练技巧143

9.2.1 权值初始化143

9.2.2 优化144

9.2.3 损失函数选择146

9.2.4 防止过拟合147

9.2.5 微调148

9.3 模型压缩149

9.4 小结152

第10章 深度学习的发展趋势153

10.1 深度学习的最新模型153

10.1.1 生成对抗网络153

10.1.2 Capsule网络154

10.2 深度学习的新应用155

10.2.1 基因组学155

10.2.2 医疗预测157

10.2.3 临床影像学159

10.2.4 唇语160

10.2.5 视觉推理161

10.2.6 代码合成162

10.3 小结164