第Ⅰ部分 深度学习基础知识
章 现代机器学习的设计 3
1.1 关注适应 4
1.1.1 计算机视觉潮流 4
1.1.2 计算机视觉：NLP、NLU和结构化数据 5
1.2 机器学习方法的演变 6
1.2.1 经典人工智能与狭义人工智能 6
1.2.2 计算机学习的未来 8
1.3 设计模式的好处 13
1.4 本章小结 14
第2章 深度神经网络 15
2.1 神经网络基础 15
2.1.1 输入层 15
2.1.2 深度神经网络简介 17
2.1.3 前馈网络 18
2.1.4 序贯式API方法 18
2.1.5 函数式API方法 19
2.1.6 输入形状与输入层 19
2.1.7 致密层 20
2.1.8 激活函数 21
2.1.9 速记语法 24
2.1.10 使用优化器提高准确度 25
2.2 DNN二元分类器 26
. DNN多类分类器 28
2.4 DNN多标签多类分类器 29
2.5 简单图像分类器 31
2.5.1 展平 32
2.5.2 过拟合和丢弃 33
2.6 本章小结 35
第3章 卷积神经网络和残差神经网络 37
3.1 卷积神经网络 37
3.1.1 为什么在DNN的基础上对图像模型使用CNN 38
3.1.2 下采样(调整大小) 38
3.1.3 特征检测 39
3.1.4 池化 41
3.1.5 展平 42
3.2 CNN的ConvNet设计 43
3.3 VGG网络 46
3.4 ResNet网络 49
3.4.1 架构 49
3.4.2 批标准化 54
3.4.3 ResNet50 55
3.5 本章小结 59
第4章 训练基础知识 61
4.1 前馈和反向传播 61
4.1.1 馈送 62
4.1.2 反向传播 62
4.2 拆分数据集 64
4.2.1 训练集和测试集 64
4.2.2 独热编码 65
4.3 数据归一化 67
4.3.1 归一化 67
4.3.2 标准化 69
4.4 验和过拟合 69
4.4.1 验 69
4.4.2 损失监控 73
4.4.3 深入层中 73
4.5 收敛 74
4.6 设置检查点和早停法 77
4.6.1 设置检查点 77
4.6.2 早停法 78
4.7 超参数 79
4.7.1 时期数 80
4.7.2 步数 80
4.7.3 批大小 81
4.7.4 学习率 82
4.8 不变 4
4.8.1 平移不变 5
4.8.2 尺度不变 91
4.8.3 TF.Keras的ImageDataGenerator类 93
4.9 初始(磁盘)数据集 94
4.9.1 目录结构 95
4.9.2 CSV文件 97
4.9.3 JSON文件 98
4.9.4 读取图像 98
4.9.5 调整大小 101
4.10 模型保存/恢复 102
4.10.1 保存 103
4.10.2 恢复 103
4.11 本章小结 104
第Ⅱ部分?基本设计模式
第5章 过程设计模式 107
5.1 基本的神经网络架构 108
5.2 stem组件 110
5.2.1 VGG 110
5.2.2 ResNet 111
5.. ResNeXt 115
5.2.4 Xception 116
5.3 预stem 117
5.4 学习器组件 118
5.4.1 ResNet 119
5.4.2 DenseNet 121
5.5 任务组件 1
5.5.1 ResNet 124
5.5.2 多层输出 125
5.5.3 SqueezeNet 127
5.6 计算机视觉：自然语言处理 128
5.6.1 自然语言理解 128
5.6.2 Transformer架构 129
5.7 本章小结 130
第6章 宽卷积神经网络 131
6.1 Inception v1 132
6.1.1 原生inception模块 132
6.1.2 Inception v1模块 134
6.1.3 stem 136
6.1.4 学习器 137
6.1.5 辅分类器 137
6.1.6 分类器 139
6.2 Inception v2：卷积分解 140
6.3 Inception v3：重新设计架构 142
6.3.1 Inception组和块 143
6.3.2 普通卷积 146
6.3.3 空间可分离卷积 147
6.3.4 stem重设计和实现 148
6.3.5 辅分类器 149
6.4 ResNeXt：宽残差神经网络 150
6.4.1 ResNeXt块 150
6.4.2 ResNeXt架构 152
6.5 宽残差网络 153
6.5.1 WRN-50-2架构 154
6.5.2 宽残差块 154
6.6 计算机视觉：结构化数据 155
6.7 本章小结 157
第7章 可替代连接模式 159
7.1 DenseNet：致密连接的卷积神经网络 160
7.1.1 致密组 160
7.1.2 致密块 162
7.1.3 DenseNet宏观架构 164
7.1.4 致密过渡块 165
7.2 Xception 166
7.2.1 Xception架构 167
7.2.2 Xception的入口流 169
7.. Xception的中间流 171
7.2.4 Xception的出口流 173
7.2.5 深度可分离卷积 175
7.2.6 逐深度卷积 175
7.2.7 逐点卷积 175
7.3 SE-Net 176
7.3.1 SE-Net架构 177
7.3.2 SE-Net的组和块 177
7.3.3 SE链接 179
7.4 本章小结 180
第8章 移动卷积神经网络 181
8.1 MobileNet v1 182
8.1.1 架构 182
8.1.2 宽度乘数 183
8.1.3 分辨率乘数 184
8.1.4 stem 185
8.1.5 学习器 186
8.1.6 分类器 188
8.2 MobileNet v2 189
8.2.1 架构 189
8.2.2 stem 190
8.. 学习器 191
8.2.4 分类器 194
8.3 SqueezeNet 195
8.3.1 架构 196
8.3.2 stem 197
8.3.3 学习器 197
8.3.4 分类器 200
8.3.5 旁路连接 202
8.4 ShuffleNet v1 205
8.4.1 架构 205
8.4.2 stem 206
8.4.3 学习器 206
8.5 部署 213
8.5.1 量化 213
8.5.2 TF Lite转换和预测 214
8.6 本章小结 216
第9章 自动编码器 217
9.1 深度神经网络自动编码器 217
9.1.1 自动编码器架构 218
9.1.2 编码器 219
9.1.3 解码器 219
9.1.4 训练 220
9.2 卷积自动编码器 221
9.2.1 架构 222
9.2.2 编码器 222
9.. 解码器 2
9.3 稀疏自动编码器 225
9.4 去噪自动编码器 226
9.5 超分辨率 226
9.5.1 预上采样SR 227
9.5.2 后上采样SR 229
9.6 前置任务 2
9.7 计算机视觉：Seq2Seq模型 4
9.8 本章小结 5
第Ⅲ部分?使用管线
0章 超参数调优
10.1 权重初始化 240
10.1.1 权重分布 241
10.1.2 彩票设 241
10.1.3 预热(数值稳定) 243
10.2 超参数搜索基础知识 246
10.2.1 超参数搜索的手动方法 246
10.2.2 网格搜索 248
10.. 随机搜索 248
10.2.4 KerasTuner 250
10.3 学习率调度器 252
10.3.1 Keras衰减参数 253
10.3.2 Keras学习率调度器 253
10.3.3 Ramp 254
10.3.4 恒定步长 255
10.3.5 余弦退火 256
10.4 正则化 258
10.4.1 权重正则化 258
10.4.2 标签平滑 259
10.5 计算机视觉 260
10.6 本章小结 261
1章 迁移学习 263
11.1 TF.Keras预构建模型 264
11.1.1 基础模型 265
11.1.2 用于预测的预训练ImageNet模型 266
11.1.3 新分类器 267
11.2 TF Hub预构建模型 271
11.2.1 使用TF Hub预训练模型 271
11.2.2 新分类器 273
11.3 域间的迁移学习 274
11.3.1 类似的任务 274
11.3.2 不同的任务 275
11.3.3 特定域权重 278
11.3.4 域迁移权重初始化 279
11.3.5 负迁移 281
11.4 计算机视觉 281
11.5 本章小结 281
2章 数据分布 283
12.1 分布类型 284
12.1.1 总体分布 284
12.1.2 抽样分布 285
12.1.3 子总体分布 286
12.2 分布外样本 286
12.2.1 MNIST精选数据集 287
12.2.2 建立环境 287
12.. 挑战分布外数据 288
12.2.4 作为DNN进行训练 289
12.2.5 作为CNN进行训练 294
12.2.6 图像 297
12.2.7 测试 299
1. 本章小结 299
3章 数据管线 301
13.1 数据格式和存储 303
13.1.1 压缩图像格式和原始图像格式 303
13.1.2 HDF5格式 306
13.1.3 DICOM格式 310
13.1.4 TFRecord格式 311
13.2 数据馈送 316
13.2.1 NumPy 316
13.2.2 TFRecord 318
13.3 数据预处理 320
13.3.1 使用预stem进行预处理 320
13.3.2 使用TF Extended进行预处理 327
13.4 数据 332
13.4.1 不变 332
13.4.2 使用tf.data进行 334
13.4.3 预stem 335
13.5 本章小结 335
Andrew Ferlitsch是谷歌云人工智能开发者关系部的一名专家，领域为计算机视觉、深度学习和在应用中操作机器学习。
《深度学模与实践》通过介绍**实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。 《深度学模与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。 本书的内容包括： 现代卷积神经网络 CNN架构的设计模式 移动和物联网设备模型 大规模模型部署 计算机视觉示例
作为近几年人工智能领域的主要研究方向之一，深度学习主要通过构建深度卷积神经网络和采用大量样本数据作为输入，得到-一个具有强大分析能力和识别能力的模型。深度学习可以是有监督的、半监督的或无监督的。深度学习架构(例如深度神经网络、深度信念网络、递归神经网络和卷积神经网络)已应用于计算机视觉、语音识别、自然语言处理、机器翻译等领域并取得初步成效。 随着深度学习的发展，了 解计算机编程语言以及掌握计算机组成原理等知识已成为技能。本书中的所有代码示例都是用Python编写的，因此读者需要有一定的 Python基础。此外，作者使用了TensorFlow 2.x框架，其中包含了Keras模型API。本书将详细介绍开创深度学习模型的设计模式，并且将这些组件组合在一起， 以帮读者深入理解深度学模。 本书的内容通俗易懂，对于从经典人工智能到狭义人工智能的进展以及机器学习的基本步骤均有介绍。谢燕蔚、杨博、杨龙、王德涵共同完成了本书的校对工作，在此表示感谢。希望本书的出版能为更多深度学习领域的从业者提供参考和借鉴。
非常抱歉，您前期未参加预订活动，
无法支付尾款哦！
