深度学习技术应用

作品简介

本书结合了最新的深度学习技术应用成果，充分考虑了大学生的知识结构和学习特点，结合各个专业特点介绍了深度学习的基本概念及TensorFlow框架，以及深度学习在各个领域的具体应用。本书为高职高专院校深度学习基础课程教材重点介绍了神经网络与深度学习、TensorFlow环境使用、卷积神经网络、循环神经网络、迁移学习等内容。各个章节知识浅显易懂，每个章节后都有实际应用，以强化学生实践能力。本书可作为高职院校深度学习基础通识教材。

胡心雷（1983.12—）工学博士，毕业于四川大学计算机科学与技术专业。主要研究方向包括人工免疫、机器学习、信息安全和云计算技术等。有丰富的从事人工免疫在网络安全应用的研究经验和信息安全技术、人工智能方面的教学经验。发表学术论文10余篇，其中EI及SCI论文6篇，主持及主研省部级项目3项，已获得国家授权实用新型专利1项。

作品目录

• 前言
• 第1章 深度学习简介
• 1.1 深度学习的起源与发展
• 1.2 深度学习的定义
• 1.3 深度学习的优势
• 1.4 深度学习的应用
• 1.5 深度学习的主流框架
• 1.5.1 TensorFlow
• 1.5.2 Pytorch
• 1.5.3 Deeplearning4j(DL4J)
• 第2章 神经网络与深度学习
• 2.1 人脑神经网络
• 2.2 人工神经网络
• 2.2.1 感知器
• 2.2.2 单层神经网络
• 2.2.3 多层神经网络
• 2.2.4 激活函数
• 2.3 走向深度学习
• 第3章 TensorFlow环境使用
• 3.1 TensorFlow简介
• 3.1.1 TensorFlow与Keras的关系
• 3.1.2 TensorFlow 1.x与TensorFlow 2.x的区别
• 3.2 TensorFlow基础
• 3.2.1 张量
• 3.2.2 变量
• 3.2.3 计算图
• 3.3 基于TensorFlow的深度学习建模
• 3.3.1 建模目的
• 3.3.2 数据处理
• 3.3.3 模型搭建
• 3.3.4 模型编译
• 3.3.5 模型训练
• 3.3.6 模型验证
• 3.3.7 模型保存
• 3.3.8 小结
• 3.4 基于TensorFlow的手写数字识别
• 3.4.1 数据简介
• 3.4.2 数据处理
• 3.4.3 模型搭建
• 3.4.4 模型调优
• 3.4.5 总结
• 第4章 卷积神经网络
• 4.1 什么是卷积神经网络
• 4.2 输入层
• 4.3 卷积层
• 4.3.1 填充
• 4.3.2 步幅
• 4.4 池化层
• 4.5 全连接层
• 4.6 Dropout
• 4.7 数据增强
• 4.8 典型卷积神经网络算法
• 4.8.1 LeNet-5网络
• 4.8.2 AlexNet
• 4.8.3 VGG16
• 4.9 卷积神经网络案例
• 4.9.1 数据简介
• 4.9.2 数据处理
• 4.9.3 模型搭建
• 4.9.4 总结
• 第5章 循环神经网络
• 5.1 什么是循环神经网络
• 5.2 长短期记忆和门控循环单元
• 5.2.1 长短期记忆（LSTM）
• 5.2.2 门控循环单元（GRU）
• 5.3 双向循环神经网络
• 5.4 深度循环神经网络案例
• 5.4.1 准备操作
• 5.4.2 数据简介
• 5.4.3 数据处理
• 5.4.4 网络模型搭建
• 5.4.5 模型训练
• 5.4.6 小结
• 第6章 迁移学习
• 6.1 什么是迁移学习
• 6.2 迁移学习的工作原理
• 6.3 迁移学习的优势
• 6.4 迁移学习的方法
• 6.5 微调
• 6.6 利用迁移学习对花进行分类
• 6.6.1 准备操作
• 6.6.2 数据处理
• 6.6.3 网络模型搭建
• 6.6.4 模型训练
• 6.6.5 微调
• 6.6.6 小结