Python深度学习（第2版）

封面

版权信息

版权声明

献词

前言

致谢

关于本书

谁应该阅读本书

关于代码

本书论坛

更多信息

关于封面

第1章 什么是深度学习

1.1 人工智能、机器学习和深度学习

1.1.1 人工智能

1.1.2 机器学习

1.1.3 从数据中学习规则与表示

1.1.4 深度学习之“深度”

1.1.5 用三张图理解深度学习的工作原理

1.1.6 深度学习已取得的进展

1.1.7 不要相信短期炒作

1.1.8 人工智能的未来

1.2 深度学习之前：机器学习简史

1.2.1 概率建模

1.2.2 早期神经网络

1.2.3 核方法

1.2.4 决策树、随机森林和梯度提升机

1.2.5 到神经网络

1.2.6 深度学习有何不同

1.2.7 机器学习现状

1.3 为什么要用深度学习，为什么是现在

1.3.1 硬件

1.3.2 数据

1.3.3 算法

1.3.4 新一轮投资热潮

1.3.5 深度学习的普及

1.3.6 这种趋势会持续下去吗

第2章 神经网络的数学基础

2.1 初识神经网络

2.2 神经网络的数据表示

2.2.1 标量（0阶张量）

2.2.2 向量（1阶张量）

2.2.3 矩阵（2阶张量）

2.2.4 3阶张量与更高阶的张量

2.2.5 关键属性

2.2.6 在NumPy中操作张量

2.2.7 数据批量的概念

2.2.8 现实世界中的数据张量实例

2.2.9 向量数据

2.2.10 时间序列数据或序列数据

2.2.11 图像数据

2.2.12 视频数据

2.3 神经网络的“齿轮”：张量运算

2.3.1 逐元素运算

2.3.2 广播

2.3.3 张量积

2.3.4 张量变形

2.3.5 张量运算的几何解释

2.3.6 深度学习的几何解释

2.4 神经网络的“引擎”：基于梯度的优化

2.4.1 什么是导数

2.4.2 张量运算的导数：梯度

2.4.3 随机梯度下降

2.4.4 链式求导：反向传播算法

2.5 顾第一个例子

2.5.1 用TensorFlow从头开始重新实现第一个例子

2.5.2 完成一次训练步骤

2.5.3 完整的训练循环

2.5.4 评估模型

2.6 本章总结

第3章 Keras和TensorFlow入门

3.1 TensorFlow简介

3.2 Keras简介

3.3 Keras和TensorFlow简史

3.4 建立深度学习工作区

3.4.1 Jupyter笔记本：运行深度学习实验的首选方法

3.4.2 使用Colaboratory

3.5 TensorFlow入门

3.5.1 常数张量和变量

3.5.2 张量运算：用TensorFlow进行数学运算

3.5.3 重温GradientTape API

3.5.4 一个端到端的例子：用TensorFlow编写线性分类器

3.6 神经网络剖析：了解核心Keras API

3.6.1 层：深度学习的基础模块

3.6.2 从层到模型

3.6.3 编译步骤：配置学习过程

3.6.4 选择损失函数

3.6.5 理解fit()方法

3.6.6 监控验证数据上的损失和指标

3.6.7 推断：在训练后使用模型

3.7 本章总结

第4章 神经网络入门：分类与回归

4.1 影评分类：二分类问题示例

4.1.1 IMDB数据集

4.1.2 准备数据

4.1.3 构建模型

4.1.4 验证你的方法

4.1.5 利用训练好的模型对新数据进行预测

4.1.6 进一步实验

4.1.7 小结