译者序
原书前言
第1章编程环境、GPU计算、云解决方案和深度学习框架//1
1.1简介//1
1.2搭建一个深度学习环境//2
1.3在AWS上启动实例//2
1.4在GCP上启动实例//3
1.5安装CUDA和cuDNN//4
1.6安装Anaconda和库文件//6
1.7连接服务器上的JupyterNotebooks//7
1.8用TensorFlow构建最先进的即用模型//8
1.9直观地用Keras建立网络//10
1.10使用PyTorch的RNN动态计算图//12
1.11用CNTK实现高性能模型//14
1.12使用MXNet构建高效的模型//15
1.13使用简单、高效的Gluon编码定义网络//17
第2章前馈神经网络//19
2.1简介//19
2.2理解感知器//19
2.3实现一个单层神经网络//23
2.4构建一个多层神经网络//27
2.5开始使用激活函数//30
2.6关于隐层和隐层神经元的实验//35
2.7实现一个自动编码器//38
2.8调整损失函数//41
2.9测试不同的优化器//44
2.10使用正则化技术提高泛化能力//47
2.11添加Dropout以防止过拟合//51
第3章卷积神经网络//56
3.1简介//56
3.2开始使用滤波器和参数共享//56
3.3应用层合并技术//60
3.4使用批量标准化进行优化//62
3.5理解填充和步长//66
3.6试验不同类型的初始化//72
3.7实现卷积自动编码器//76
3.8将一维CNN应用于文本//79
第4章递归神经网络//81
4.1简介//81
4.2实现一个简单的RNN//82
4.3添加LSTM//84
4.4使用GRU//86
4.5实现双向RNN//89
4.6字符级文本生成//91
第5章强化学习//95
5.1简介//95
5.2实现策略梯度//95
5.3实现深度Q学习算法//102
第6章生成对抗网络//109
6.1简介//1096.2了解GAN//109
6.3实现DCGAN//112
6.4使用SRGAN来提高图像分辨率//117
第7章计算机视觉//125
7.1简介//125
7.2利用计算机视觉技术增广图像//125
7.3图像中的目标分类//130
7.4目标在图像中的本地化//134
7.5实时检测框架//139
7.6用U-net将图像分类//139
7.7语义分割与场景理解//143
7.8寻找人脸面部关键点//147
7.9人脸识别//151
7.10将样式转换为图像//157
第8章自然语言处理//162
8.1简介//162
8.2情绪分析//162
8.3句子翻译//165
8.4文本摘要//169
第9章语音识别和视频分析//174
9.1简介//174
9.2从零开始实现语音识别流程//174
9.3使用语音识别技术辨别讲话人//177
9.4使用深度学习理解视频//181
第10章时间序列和结构化数据//185
10.1简介//185
10.2使用神经网络预测股票价格//185
10.3预测共享单车需求//189
10.4使用浅层神经网络进行二元分类//192
第11章游戏智能体和机器人//194
11.1简介//194
11.2通过端到端学习来驾驶汽车//194
11.3通过深度强化学习来玩游戏//199
11.4用GA优化超参数//205
第12章超参数选择、调优和神经网络学习//211
12.1简介//211
12.2用TensorBoard和Keras可视化训练过程//211
12.3使用批量和小批量工作//215
12.4使用网格搜索调整参数//219
12.5学习率和学习率调度//221
12.6比较优化器//224
12.7确定网络的深度//227
12.8添加Dropout以防止过拟合//227
12.9通过数据增广使模型更加鲁棒//232
12.10利用TTA来提高精度//234
第13章网络内部构造//235
13.1简介//235
13.2用TensorBoard可视化训练过程//235
13.3用TensorBoard可视化网络结构//239
13.4分析网络权重等//239
13.5冻结层//244
13.6存储网络结构并训练权重//246
第14章预训练模型//250
14.1简介//250
14.2使用GoogLeNet/Inception进行大规模视觉识别//250
14.3用ResNet提取瓶颈特征//252
14.4对新类别使用预训练的VGG模型//253
14.5用Xception细调//256
^ 收 起