深度学习：卷积神经网络技术与实践

作品简介

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其最大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

高敬鹏编著

作品目录

• 前言
• 第1章　深度学习简介
• 1.1　机器学习与深度学习
• 1.2　TensorFlow概述
• 1.3　环境搭建
• 第2章　Python基础
• 2.1　数据类型
• 2.2　变量与常量
• 2.3　运算符
• 2.4　选择与循环
• 2.5　列表与元组
• 2.6　字典
• 2.7　函数
• 2.8　面向对象编程
• 2.9　思考与练习
• 第3章　神经网络基础
• 3.1　单层神经网络
• 3.2　多层神经网络
• 3.3　激活函数
• 3.4　神经网络工作过程
• 3.5　损失函数
• 3.6　优化算法
• 3.7　反向传播
• 3.8　泛化能力
• 3.9　多层感知器
• 3.10　MNIST数据集
• 3.11　Keras实现感知器的手写体识别
• 3.12　思考与练习
• 第4章　卷积神经网络
• 4.1　卷积神经网络结构及原理
• 4.2　卷积神经网络工作过程
• 4.3　简单卷积神经网络实现MNIST分类
• 4.4　CIFAR-10数据集
• 4.5　简单卷积神经网络实现CIFAR-10分类
• 4.6　思考与练习
• 第5章　经典卷积网络结构
• 5.1　LeNet概述
• 5.2　LeNet实现MNIST分类
• 5.3　AlexNet概述
• 5.4　AlexNet实现MNIST分类
• 5.5　VGG16概述
• 5.6　VGG16实现MNIST分类
• 5.7　思考与练习
• 第6章　经典卷积网络结构进阶
• 6.1　GoogLeNet概述
• 6.2　GoogLeNet实现MNIST分类
• 6.3　ResNet概述
• 6.4　ResNet50实现MNIST分类
• 6.5　思考与练习
• 第7章　迁移学习
• 7.1　基于卷积网络实现迁移学习
• 7.2　InceptionV3实现迁移学习
• 7.3　Xception实现迁移学习
• 7.4　MobileNet实现迁移学习
• 7.5　简单卷积网络实现迁移学习
• 7.6　思考与练习
• 第8章　循环神经网络
• 8.1　循环神经网络概述
• 8.2　长短期记忆网络
• 8.3　Reuters数据集
• 8.4　简单RNN实现Reuters分类
• 8.5　LSTM实现Reuters分类
• 8.6　思考与练习
• 第9章　强化学习
• 9.1　初识强化学习
• 9.2　强化学习理论基础
• 9.3　求解强化学习——有模型
• 9.4　求解强化学习——无模型
• 9.5　思考与练习
• 第10章　深度强化学习
• 10.1　深度强化学习框架
• 10.2　TensorFlow编程
• 10.3　Gym的安装及使用
• 10.4　基于值的算法更新
• 10.5　思考与练习
• 第11章　基于策略的算法更新与趋势
• 11.1　策略梯度法
• 11.2　演员–评论家算法
• 11.3　优势演员–评论家算法
• 11.4　异步优势演员–评论家算法
• 11.5　深度强化学习的发展趋势
• 11.6　思考与练习