正版 深度学习从0到1 覃秉丰 电子工业出版社 9787121411939 书籍

目 录
第1章 深度学习背景介绍 1
1.1 人工智能 1
1.2 机器学习 3
1.2.1 训练数据、验证数据和测试数据 4
1.2.2 学习方式 4
1.2.3 机器学习常用算法 5
1.3 人工智能、机器学习、神经网络及深度学习之间的关系 10
1.4 深度学习的应用 11
1.5 神经网络和深度学习的发展史 16
1.5.1 神经网络的诞生：20世纪40年代到20世纪60年代 16
1.5.2 神经网络的复兴：20世纪80年代到20世纪90年代 17
1.5.3 深度学习：2006年至今 17
1.6 深度学习领域中的重要人物 18
1.7 新一轮人工智能爆发的三要素 19
1.8 参考文献 19
第2章 搭建Python编程环境 21
2.1 Python介绍 21
2.2 Anaconda安装 21
2.3 Jupyter Notebook的简单使用 25
2.3.1 启动Jupyter Notebook 26
2.3.2 修改Jupyter Notebook默认启动路径 26
2.3.3 Jupyter Notebook浏览器无法打开 28
2.3.4 Jupyter Notebook基本操作 28
第3章 单层感知器与线性神经网络 31
3.1 生物神经网络 31
3.2 单层感知器 32
3.2.1 单层感知器介绍 32
3.2.2 单层感知器计算举例 32
3.2.3 单层感知器的另一种表达形式 33
3.3 单层感知器的学习规则 33
3.3.1 单层感知器的学习规则介绍 33
3.3.2 单层感知器的学习规则计算举例 34
3.4 学习率 37
3.5 模型的收敛条件 38
3.6 模型的超参数和参数的区别 38
3.7 单层感知器分类案例 39
3.8 线性神经网络 42
3.8.1 线性神经网络介绍 42
3.8.2 线性神经网络分类案例 42
3.9 线性神经网络处理异或问题 45
第4章 BP神经网络 50
4.1 BP神经网络介绍及发展背景 50
4.2 代价函数 51
4.3 梯度下降法 51
4.3.1 梯度下降法介绍 51
4.3.2 梯度下降法二维例子 53
4.3.3 梯度下降法三维例子 55
4.4 Delta学习规则 56
4.5 常用激活函数讲解 56
4.5.1 sigmoid函数 57
4.5.2 tanh函数 57
4.5.3 softsign函数 58
4.5.4 ReLU函数 59
4.6 BP神经网络模型和公式推导 61
4.6.1 BP网络模型 62
4.6.2 BP算法推导 63
4.6.3 BP算法推导的补充说明 65
4.7 BP算法推导结论总结 67
4.8 梯度消失与梯度爆炸 67
4.8.1 梯度消失 67
4.8.2 梯度爆炸 69
4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题 69
4.9 使用BP神经网络解决异或问题 70
4.10 分类模型评估方法 74
4.10.1 准确率/精确率/召回率/F1值 74
4.10.2 混淆矩阵 77
4.11 独热编码 77
4.12 BP神经网络完成手写数字识别 78
4.13 Sklearn手写数字识别 83
4.14 参考文献 84
第5章 深度学习框架Tensorflow基础使用 85
5.1 Tensorflow介绍 86
5.1.1 Tensorflow简介 86
5.1.2 静态图和动态图机制Eager Execution 86
5.1.3 tf.keras 87
5.2 Tensorflow-cpu安装 88
5.2.1 Tensorflow-cpu在线安装 88
5.2.2 安装过程中可能遇到的问题 89
5.2.3 Tensorflow-cpu卸载 91
5.2.4 Tensorflow-cpu更新 91
5.2.5 Tensorflow-cpu指定版本的安装 91
5.3 Tensorflow-gpu安装 91
5.3.1 Tensorflow-gpu了解最新版本情况 91
5.3.2 Tensorflow-gpu安装CUDA 92
5.3.3 Tensorflow-gpu安装cuDNN库 94
5.3.4 Tensorflow-gpu在线安装 95
5.3.5 Tensorflow-gpu卸载 95
5.3.6 Tensorflow-gpu更新 95
5.4 Tensorflow基本概念 95
5.5 Tensorflow基础使用 96
5.6 手写数字图片分类任务 100
5.6.1 MNIST数据集介绍 100
5.6.2 softmax函数介绍 101
5.6.3 简单MNIST数据集分类模型―没有高级封装 101
5.6.4 简单MNIST数据集分类模型―keras高级封装 104
第6章 网络优化方法 106
6.1 交叉熵代价函数 106
6.1.1 均方差代价函数的缺点 106
6.1.2 引入交叉熵代价函数 109
6.1.3 交叉熵代价函数推导过程 109
6.1.4 softmax与对数似然代价函数 110
6.1.5 交叉熵程序 112
6.2 过拟合 114
6.2.1 什么是过拟合 114
6.2.2 抵抗过拟合的方法 117
6.3 数据增强 117
6.4 提前停止训练 119
6.5 Dropout 121
6.5.1 Dropout介绍 121
6.5.2 Dropout程序 123
6.6 正则化 125
6.6.1 正则化介绍 125
6.6.2 正则化程序 126
6.7 标签平滑 129
6.7.1 标签平滑介绍 129
6.7.2 标签平滑程序 130
6.8 优化器 132
6.8.1 梯度下降法 132
6.8.2 Momentum 133
6.8.3 NAG 133
6.8.4 Adagrad 133
6.8.5 Adadelta 134
6.8.6 RMRprop 134
6.8.7 Adam 134
6.8.8 优化器程序 135
6.9 参考文献 137
第7章 Tensorflow模型的保存和载入 138
7.1 Keras模型保存和载入 138
7.1.1 Keras模型保存 138
7.1.2 Keras模型载入 139
7.2 SavedModel模型保存和载入 140
7.2.1 SavedModel模型保存 140
7.2.2 SavedModel模型载入 141
7.3 单独保存模型的结构 142
7.3.1 保存模型的结构 142
7.3.2 载入模型结构 143
7.4 单独保存模型参数 144
7.4.1 保存模型参数 144
7.4.2 载入模型参数 145
7.5 ModelCheckpoint自动保存模型 146
7.6 Checkpoint模型保存和载入 149
7.6.1 Checkpoint模型保存 149
7.6.2 Checkpoint模型载入 151
第8章 卷积神经网络（CNN） 154
8.1 计算机视觉介绍 154
8.1.1 计算机视觉应用介绍 154
8.1.2 计算机视觉技术介绍 155
8.2 卷积神经网简介 158
8.2.1 BP神经网络存在的问题 158
8.2.2 局部感受野和权值共享 158
8.3 卷积的具体计算 159
8.4 卷积的步长 161
8.5 不同的卷积核 162
8.6 池化 163
8.7 Padding 164
8.8 常见的卷积计算总结 166
8.8.1 对1张图像进行卷积生成1张特征图 166
8.8.2 对1张图像进行卷积生成多张特征图 166
8.8.3 对多张图像进行卷积生成1张特征图 167
8.8.4 对多张图像进行卷积生成多张特征图 168
8.9 经典的卷积神经网络 168
8.10 卷积神经网络应用于MNIST数据集分类 170
8.11 识别自己写的数字图片 172
8.12 CIFAR-10数据集分类 175
8.13 参考文献 177
第9章 序列模型 178
9.1 序列模型应用 178
9.2 循环神经网络（RNN） 179
9.2.1 RNN介绍 179
9.2.2 Elman network和Jordan network 180
9.3 RNN的不同架构 180
9.3.1 一对一架构 180
9.3.2 多对一架构 181
9.3.3 多对多架构 181
9.3.4 一对多架构 181
9.3.5 Seq2Seq架构 182
9.4 传统RNN的缺点 182
9.5 长短时记忆网络（LSTM） 183
9.6 Peephole LSTM和FC-LSTM 186
9.6.1 Peephole LSTM介绍 186
9.6.2 FC-LSTM介绍 187
9.7 其他RNN模型 188
9.7.1 门控循环单元（GRU） 188
9.7.2 双向RNN 189
9.7.3 堆叠的双向RNN 190
9.8 LSTM网络应用于MNIST数据集分类 190
9.9 参考文献 192
第10章 经典图像识别模型介绍（上） 193
10.1 图像数据集 193
10.1.1 图像数据集介绍 193
10.1.2 ImageNet的深远影响 194
10.1.3 ImageNet Challenge历年优秀作品 195
10.2 AlexNet 196
10.3 VGGNet 199
10.4 GoogleNet 201
10.4.1 1×1卷积介绍 202
10.4.2 Inception结构 203
10.4.3 GoogleNet网络结构 205
10.5 Batch Normalization 208
10.5.1 Batch Normalization提出背景 208
10.5.2 数据标准化（Normalization） 209
10.5.3 Batch Normalization模型训练阶段 209
10.5.4 Batch Normalization模型预测阶段 210
10.5.5 Batch Normalization作用分析 211
10.6 ResNet 212
10.6.1 ResNet背景介绍 212
10.6.2 残差块介绍 213
10.6.3 ResNet网络结构 214
10.6.4 ResNet-V2 219
10.7 参考文献 221
第11章 经典图像识别模型介绍（下） 222
11.1 Inception模型系列 222
11.1.1 Inception-v2/v3优化策略 222
11.1.2 Inception-v2/v3模型结构 224
11.1.3 Inception-v4和Inception-ResNet介绍 229
11.2 ResNeXt 233
11.2.1 分组卷积介绍 233
11.2.2 ResNeXt中的分组卷积 235
11.2.3 ResNeXt的网络结构 236
11.3 SENet 238
11.3.1 SENet介绍 239
11.3.2 SENet结果分析 242
11.4 参考文献 244
第12章 图像识别项目实战 245
12.1 图像数据准备 245
12.1.1 数据集介绍 245
12.1.2 数据集准备 246
12.1.3 切分数据集程序 247
12.2 AlexNet图像识别 249
12.3 VGGNet图像识别 253
12.4 函数式模型 255
12.4.1 函数式模型介绍 255
12.4.2 使用函数式模型进行MNIST图像识别 256
12.5 模型可视化 257
12.5.1 使用plot_model进行模型可视化 257
12.5.2 plot_model升级版 260
12.6 GoogleNet图像识别 261
12.7 Batch Normalization使用 263
12.8 ResNet图像识别 265
12.9 ResNeXt图像识别 267
12.10 SENet图像识别 270
12.11 使用预训练模型进行迁移学习 274
12.11.1 使用训练好的模型进行图像识别 274
12.11.2 使用训练好的模型进行迁移学习 276
12.11.3 载入训练好的模型进行预测 279
第13章 验证码识别项目实战 282
13.1 多任务学习介绍 282
13.2 验证码数据集生成 283
13.3 tf.data介绍 285
13.3.1 tf.data概述 285
13.3.2 使用tf.data完成多任务学习：验证码识别 286
13.4 使用自定义数据生成器完成验证码识别 294
13.4.1 使用自定义数据生成器完成模型训练 294
13.4.2 使用自定义数据生成器完成模型预测 298
13.5 挑战变长验证码识别 302
13.5.1 挑战变长验证码识别模型训练 302
13.5.2 挑战变长验证码识别模型预测 308
13.6 CTC算法 313
13.6.1 CTC算法介绍 313
13.6.2 贪心算法（Greedy Search）和集束搜索算法（Beam Search） 314
13.6.3 CTC存在的问题 316
13.6.4 CTC算法：验证码识别 316
第14章 自然语言处理（NLP）发展历程（上） 329
14.1 NLP应用介绍 329
14.2 从传统语言模型到神经语言模型 332
14.2.1 规则模型 332
14.2.2 统计语言模型 333
14.2.3 词向量 334
14.2.4 神经语言模型 336
14.3 word2vec 338
14.3.1 word2vec介绍 338
14.3.2 word2vec模型训练 338
14.3.3 word2vec训练技巧和可视化效果 339
14.4 CNN在NLP领域中的应用 340
14.5 RNN在NLP领域中的应用 342
14.6 Seq2Seq模型在NLP领域中的应用 343
14.7 Attention机制 344
14.7.1 Attention介绍 344
14.7.2 Bahdanau Attention介绍 346
14.7.3 Luong Attention介绍 348
14.7.4 谷歌机器翻译系统介绍 351
14.7.5 Attention机制在视觉和语音领域的应用 352
14.8 参考文献 354
第15章 自然语言处理（NLP）发展历程（下） 355
15.1 NLP新的开始：Transformer模型 355
15.1.1 Transformer模型结构和输入数据介绍 355
15.1.2 Self-Attention介绍 357
15.1.3 Multi-Head Attention介绍 360
15.1.4 Layer Normalization介绍 363
15.1.5 Decoder结构介绍 364
15.1.6 Decoder中的Multi-Head Attention和模型训练 365
15.2 BERT模型 367
15.2.1 BERT模型介绍 368
15.2.2 BERT模型训练 369
15.2.3 BERT模型应用 370
15.3 参考文献 373
第16章 NLP任务项目实战 374
16.1 一维卷积英语电影评论情感分类项目 374
16.1.1 项目数据和模型说明 374
16.1.2 一维卷积英语电影评论情感分类程序 375
16.2 二维卷积中文微博情感分类项目 378
16.3 双向LSTM中文微博情感分类项目 384
16.4 堆叠双向LSTM中文分词标注项目 387
16.4.1 中文分词标注模型训练 387
16.4.2 维特比算法 391
16.4.3 中文分词标注模型预测 393
16.5 最新的一些激活函数介绍 397
16.5.1 Leaky ReLU 397
16.5.2 ELU 399
16.5.3 SELU 400
16.5.4 GELU 401
16.5.5 Swish 402
16.6 BERT模型的简单使用 403
16.6.1 安装tf2-bert模块并准备预训练模型 403
16.6.2 使用BERT模型进行文本特征提取 404
16.6.3 使用BERT模型进行完形填空 406
16.7 BERT电商用户多情绪判断项目 407
16.7.1 项目背景介绍 407
16.7.2 模型训练 408
16.7.3 模型预测 412
16.8 参考文献 415
第17章 音频信号处理 416
17.1 深度学习在声音领域的应用 416
17.2 MFCC和Mel Filter Banks 417
17.2.1 音频数据采集 417
17.2.2 分帧加窗 418
17.2.3 傅里叶变换 419
17.2.4 梅尔滤波器组 421
17.2.5 梅尔频率倒谱系数（MFCC） 423
17.3 语音分类项目 425
17.3.1 librosa介绍 425
17.3.2 音频分类项目―模型训练 427
17.3.3 音频分类项目―模型预测 430
第18章 图像风格转换 433
18.1 图像风格转换实现原理 433
18.1.1 代价函数的定义 434
18.1.2 格拉姆矩阵介绍 435
18.2 图像风格转换项目实战 436
18.3 遮挡图像风格转换项目实战 441
18.4 参考文献 443
第19章 生成对抗网络 444
19.1 生成对抗网络的应用 444
19.2 DCGAN介绍 447
19.3 手写数字图像生成 449
19.4 参考文献 454
第20章 模型部署 455
20.1 Tensorflow Serving环境部署 455
20.2 运行客户端和服务器程序 456
20.2.1 准备SavedModel模型 456
20.2.2 启动Tensorflow Serving服务器程序 457
20.2.3 Tensorflow Serving客户端gRPC程序 459
20.2.4 Tensorflow Serving客户端REST API程序 461
专业术语汇总 463
结束语 471

覃秉丰，AI创业公司创始人，6年人工智能从业经验。曾完成过多项图像，语音，nlp，搜索相关的人工智能企业项目，研发经验丰富。曾给中国移动，中国电信，中国银行，华夏银行，太平洋保险，国家电网，中海油，格力电器等企业做过人工智能相关的企业内训。从事人工智能教育4年，网络课程学员近10万人。讲课通熟易懂，深入浅出，广受好评。

本书的脉络框架主要是根据深度学习知识由浅入深的发展来编写的，对于Tensorflow的使用技巧基本上不会单独讲解，而是会结合深度学习理论知识或实际应用案例来讲解。本书主要特色为：(1)所有公式推导都有详细步骤，并解释每个符号；(2)注释每一行代码；(3)程序皆为完整程序；(4)一图胜千言；(5)逻辑结构清晰，讲解细致。
一本“内外兼修”的既包含详细算法理论的介绍，又包括详细代码讲解的图书

本书是一本介绍深度学习理论和实战应用的教程，先从数学基础和机器学习基础出发，按照神经网络的技术发展框架由易到难逐步讲解深度学习的理论，然后再通过实践部分，详细解释深度学习的应用案例，让读者既能了解深度学习理论，又能学会使用深度学习框架，实现自己的深度学习模型。主要内容包括深度学习的发展历史、单层感知器、线性神经网络、BP神经网络、深度学习算法卷积神经网络CNN和长短时记忆网络LSTM，以及深度学习算法在图像、自然语言处理和音频信号三个方面的实际应用。其中，案例实战部分使用的深度学习框架为Tensorflow 2/Keras。