深度學習：卷積神經(jīng)網(wǎng)絡(luò)技術(shù)與實踐

前言
第1章　深度學習簡介1
11　機器學習與深度學習1
12　TensorFlow概述2
13　環(huán)境搭建3
131　在Windows系統(tǒng)下安裝Anaconda3
132　在Anaconda下安裝TensorFlow與Keras6
133　Spyder編輯器8
第2章　Python基礎(chǔ)11
21　數(shù)據(jù)類型11
211　數(shù)值類型11
212　字符串類型13
213　布爾類型13
22　變量與常量14
23　運算符14
231　運算符概述14
232　運算符優(yōu)先級15
24　選擇與循環(huán)15
241　if語句15
242　while循環(huán)18
243　for循環(huán)20
244　break和continue21
25　列表與元組23
251　創(chuàng)建23
252　查詢24
253　修改24
254　刪除26
26　字典26
261　字典的創(chuàng)建27
262　字典的常規(guī)操作27
263　字典的遍歷29
27　函數(shù)29
271　函數(shù)的定義與調(diào)用30
272　參數(shù)傳遞31
28　面向?qū)ο缶幊?3
281　類與對象33
282　繼承與多態(tài)34
29　思考與練習37
第3章　神經(jīng)網(wǎng)絡(luò)基礎(chǔ)38
31　單層神經(jīng)網(wǎng)絡(luò)38
32　多層神經(jīng)網(wǎng)絡(luò)39
321　隱藏層39
322　輸入層與輸出層41
33　激活函數(shù)42
331　Sigmoid函數(shù)42
332　Tanh函數(shù)43
333　Relu函數(shù)44
334　Softmax函數(shù)45
34　神經(jīng)網(wǎng)絡(luò)工作過程45
35　損失函數(shù)47
351　均方差函數(shù)47
352　交叉熵函數(shù)47
36　優(yōu)化算法48
37　反向傳播49
38　泛化能力52
39　多層感知器53
310　MNIST數(shù)據(jù)集54
3101　下載MNIST數(shù)據(jù)集54
3102　數(shù)據(jù)預(yù)處理56
311　Keras實現(xiàn)感知器的手寫體識別58
3111　單層感知器手寫體識別58
3112　多層感知器手寫體識別61
312　思考與練習67
第4章　卷積神經(jīng)網(wǎng)絡(luò)68
41　卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及原理68
411　卷積神經(jīng)網(wǎng)絡(luò)特點69
412　卷積層70
413　池化層72
414　全連接層73
42　卷積神經(jīng)網(wǎng)絡(luò)工作過程74
43　簡單卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)MNIST分類76
431　MNIST數(shù)據(jù)集預(yù)處理76
432　簡單卷積神經(jīng)網(wǎng)絡(luò)搭建77
44　CIFAR-10數(shù)據(jù)集84
441　下載CIFAR-10數(shù)據(jù)集85
442　CIFAR-10數(shù)據(jù)集預(yù)處理87
45　簡單卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)CIFAR-10分類88
46　思考與練習93
第5章　經(jīng)典卷積網(wǎng)絡(luò)結(jié)構(gòu)94
51　LeNet概述94
52　LeNet實現(xiàn)MNIST分類95
521　MNIST數(shù)據(jù)預(yù)處理95
522　基于Keras搭建LeNet網(wǎng)絡(luò)結(jié)構(gòu)95
523　對LeNet網(wǎng)絡(luò)模型進行編譯、訓練、評估與預(yù)測98
53　AlexNet概述101
54　AlexNet實現(xiàn)MNIST分類103
541　基于Keras搭建AlexNet網(wǎng)絡(luò)結(jié)構(gòu)103
542　對AlexNet網(wǎng)絡(luò)模型進行編譯、訓練、評估與預(yù)測107
55　VGG16概述110
56　VGG16實現(xiàn)MNIST分類111
561　基于Keras搭建VGG16網(wǎng)絡(luò)結(jié)構(gòu)112
562　對VGG16網(wǎng)絡(luò)模型進行評估與預(yù)測115
57　思考與練習117
第6章　經(jīng)典卷積網(wǎng)絡(luò)結(jié)構(gòu)進階118
61　GoogLeNet概述118
62　GoogLeNet實現(xiàn)MNIST分類119
621　基于Keras搭建GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)119
622　對GoogLeNet進行訓練、評估與預(yù)測125
63　ResNet概述129
64　ResNet50實現(xiàn)MNIST分類131
641　基于Keras搭建ResNet50網(wǎng)絡(luò)結(jié)構(gòu)131
642　對ResNet50網(wǎng)絡(luò)模型進行訓練、評估與預(yù)測138
65　思考與練習142
第7章　遷移學習143
71　基于卷積網(wǎng)絡(luò)實現(xiàn)遷移學習143
72　InceptionV3實現(xiàn)遷移學習144
73　Xception實現(xiàn)遷移學習150
74　MobileNet實現(xiàn)遷移學習155
75　簡單卷積網(wǎng)絡(luò)實現(xiàn)遷移學習164
76　思考與練習172
第8章　循環(huán)神經(jīng)網(wǎng)絡(luò)173
81　循環(huán)神經(jīng)網(wǎng)絡(luò)概述173
82　長短期記憶網(wǎng)絡(luò)174
821　LSTM前向傳播175
822　LSTM反向傳播176
83　Reuters數(shù)據(jù)集176
831　Reuters數(shù)據(jù)集概述176
832　文本信息預(yù)處理177
84　簡單RNN實現(xiàn)Reuters分類180
85　LSTM實現(xiàn)Reuters分類185
86　思考與練習190
第9章　強化學習191
91　初識強化學習191
911　什么是強化學習192
912　強化學習能解決什么類型的問題193
913　強化學習如何解決問題194
92　強化學習理論基礎(chǔ)194
921　基本組成元素194
922　基本模型196
923　價值函數(shù)198
93　求解強化學習—有模型199
931　動態(tài)規(guī)劃與貝爾曼方程199
932　策略迭代200
933　值迭代202
934　值迭代算法實現(xiàn)格子世界202
94　求解強化學習—無模型208
941　蒙特卡羅算法208
942　時間差分法209
943　Q-learning算法210
944　Q-learning實現(xiàn)格子世界211
95　思考與練習213
第10章　深度強化學習214
101　深度強化學習框架214
102　TensorFlow編程216
1021　TensorFlow的計算模型—計算圖216
1022　TensorFlow的數(shù)據(jù)模型—張量219
1023　TensorFlow的運行模型—會話220
1024　TensorFlow變量222
1025　TensorFlow共享變量225
103　Gym的安裝及使用226
1031　Gym的安裝226
1032　Gym的使用227
104　基于值的算法更新229
1041　Q-learning實現(xiàn)229
1042　DQN算法原理233
1043　DQN算法實現(xiàn)236
1044　DDQN算法原理241
1045　DDQN算法實現(xiàn)243
105　思考與練習248
第11章　基于策略的算法更新與趨勢250
111　策略梯度法250
11