深度學習案例精粹：基于TensorFlow與Keras

第1章 深度學習與應(yīng)用框架
1.1 深度學習的概念
1.1.1 何為深度學習
1.1.2 與傳統(tǒng)的“淺層學習”的區(qū)別
1.2 案例實戰(zhàn)：文本的情感分類
1.2.1 第一步：數(shù)據(jù)的準備
1.2.2 第二步：數(shù)據(jù)的處理
1.2.3 第三步：模型的設(shè)計
1.2.4 第四步：模型的訓練
1.2.5 第五步：模型的結(jié)果和展示
1.3 深度學習的流程、應(yīng)用場景和模型分類
1.3.1 深度學習的流程與應(yīng)用場景
1.3.2 深度學習的模型分類
1.4 主流深度學習的框架對比
1.4.1 深度學習框架的選擇
1.4.2 本書選擇：Keras與TensorFlow
1.5 本章小結(jié)
第2章 實戰(zhàn)卷積神經(jīng)網(wǎng)絡(luò)——手寫體識別
2.1 卷積神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)
2.1.1 卷積運算
2.1.2 TensorFlow中的卷積函數(shù)
2.1.3 池化運算
2.1.4 softmax激活函數(shù)
2.1.5 卷積神經(jīng)網(wǎng)絡(luò)原理
2.2 案例實戰(zhàn)：MNIST手寫體識別
2.2.1 MNIST數(shù)據(jù)集的解析
2.2.2 MNIST數(shù)據(jù)集的特征和標簽
2.2.3 TensorFlow 2.X編碼實現(xiàn)
2.2.4 使用自定義的卷積層實現(xiàn)MNIST識別
2.3 本章小結(jié)
第3章 實戰(zhàn)ResNet——CIFAR-100數(shù)據(jù)集分類
3.1 ResNet理論基礎(chǔ)
3.1.1 ResNet誕生的背景
3.1.2 模塊工具的TensorFlow實現(xiàn)
3.1.3 TensorFlow高級模塊layers
3.2 案例實戰(zhàn)：CIFAR-100數(shù)據(jù)集分類
3.2.1 CIFAR-100數(shù)據(jù)集的獲取
3.2.2 ResNet殘差模塊的實現(xiàn)
3.2.3 ResNet網(wǎng)絡(luò)的實現(xiàn)
3.2.4 使用ResNet對CIFAR-100數(shù)據(jù)集進行分類
3.3 本章小結(jié)
第4章 實戰(zhàn)循環(huán)神經(jīng)網(wǎng)絡(luò)GRU——情感分類
4.1 情感分類理論基礎(chǔ)
4.1.1 復習簡單的情感分類
4.1.2 什么是GRU
4.1.3 TensorFlow中的GRU層
4.1.4 雙向GRU
4.2 案例實戰(zhàn)：情感分類
4.2.1 使用TensorFlow自帶的模型來實現(xiàn)分類
4.2.2 使用自定義的DPCNN來實現(xiàn)分類
4.3 本章小結(jié)
第5章 實戰(zhàn)圖卷積——文本情感分類
5.1 圖卷積理論基礎(chǔ)
5.1.1 “節(jié)點”“鄰接矩陣”和“度矩陣”的物理意義
5.1.2 圖卷積的理論計算
5.1.3 圖卷積神經(jīng)網(wǎng)絡(luò)的傳播規(guī)則
5.2 案例實戰(zhàn)：Cora數(shù)據(jù)集文本分類
5.2.1 Cora數(shù)據(jù)集簡介
5.2.2 Cora數(shù)據(jù)集的讀取與數(shù)據(jù)處理
5.2.3 圖卷積模型的設(shè)計與實現(xiàn)
5.2.4 圖卷積模型的訓練與改進
5.3 案例實戰(zhàn)：基于圖卷積的情感分類（圖卷積前沿內(nèi)容）
5.3.1 文本結(jié)構(gòu)化處理的思路與實現(xiàn)
5.3.2 使用圖卷積對文本進行分類實戰(zhàn)
5.3.3 圖卷積模型的改進
5.4 本章小結(jié)
第6章 實戰(zhàn)自然語言處理——編碼器
6.1 編碼器理論基礎(chǔ)
6.1.1 輸入層——初始詞向量層和位置編碼器層
6.1.2 自注意力層
6.1.3 ticks和LayerNormalization
6.1.4 多頭自注意力
6.2 案例實戰(zhàn)：簡單的編碼器
6.2.1 前饋層的實現(xiàn)
6.2.2 編碼器的實現(xiàn)
6.3 案例實戰(zhàn)：漢字拼音轉(zhuǎn)化模型
6.3.1 漢字拼音數(shù)據(jù)集處理
6.3.2 漢字拼音轉(zhuǎn)化模型的確定
6.3.3 模型訓練部分的編寫
6.3.4 推斷函數(shù)的編寫
6.4 本章小結(jié)
第7章 實戰(zhàn)BERT——中文文本分類
7.1 BERT理論基礎(chǔ)
7.1.1 BERT基本架構(gòu)與應(yīng)用
7.1.2 BERT預(yù)訓練任務(wù)與Fine-Tuning
7.2 案例實戰(zhàn)：中文文本分類
7.2.1 使用Hugging Face獲取BERT預(yù)訓練模型
7.2.2 BERT實戰(zhàn)文本分類
7.3 拓展：更多的預(yù)訓練模型
7.4 本章小結(jié)
第8章 實戰(zhàn)自然語言處理——多標簽文本分類
8.1 多標簽分類理論基礎(chǔ)
8.1.1 多標簽分類不等于多分類
8.1.2 多標簽分類的激活函數(shù)——sigmoid
8.2 案例實戰(zhàn)：多標簽文本分類
8.2.1 第一步：數(shù)據(jù)的獲取與處理
8.2.2 第二步：選擇特征抽取模型
8.2.3 第三步：訓練模型的建立
8.2.4 第四步：多標簽文本分類的訓練與預(yù)測
8.3 本章小結(jié)
第9章 實戰(zhàn)MTCNN——人臉檢測
9.1 人臉檢測基礎(chǔ)
9.1.1 LFW數(shù)據(jù)集簡介
9.1.2 Dlib庫簡介
9.1.3 OpenCV簡介
9.1.4 使用Dlib做出圖像中的人臉檢測
9.1.5 使用Dlib和OpenCV建立人臉檢測數(shù)據(jù)集
9.2 案例實戰(zhàn)：基于MTCNN模型的人臉檢測
9.2.1 MTCNN模型簡介
9.2.2 MTCNN模型的使用
9.2.3 MTCNN模型中的一些細節(jié)
9.3 本章小結(jié)
第10章 實戰(zhàn)SiameseModel——人臉識別
10.1 基于深度學習的人臉識別模型
10.1.1 人臉識別的基本模型SiameseModel
10.1.2 SiameseModel的實現(xiàn)
10.1.3 人臉識別數(shù)據(jù)集的準備
10.2 案例實戰(zhàn)：基于相似度計算的人臉識別模型
10.2.1 一種新的損失函數(shù)Triplet Loss
10.2.2 基于TripletSemiHardLoss的MNIST模型
10.2.3 基于TripletSemiHardLoss和SENET的人臉識別模型
10.3 本章小結(jié)
第11章 實戰(zhàn)MFCC和C