深度學習：從入門到精通（微課版）

《深度學習：從入門到精通（微課版）》是2020年人民郵電出版社出版的圖書，作者是王漢生。

基本介紹

• 書名：深度學習：從入門到精通（微課版） 
• 作者：王漢生
• 出版社：人民郵電出版社
• ISBN：9787115537027

內容簡介

本書全面系統地講解了深度學習相關的知識。全書共8章，內容包括深度學習簡介及TensorFlow安裝，神經網路基礎、神經網路的TensorFlow實現、卷積神經網路基礎、經典卷積神經網路（上）、經典卷積神經網路（下）、深度學習用於文本序列和深度學習實驗項目等內容。

本書以知識體系為基礎，以課堂案例為載體，採取理論與實踐相結合的教學模式，通過知識講解和上機實驗，使學生不僅掌握深度學習的理論基礎，而且能夠實現基本的代碼。

作者簡介

北京大學光華管理學院商務統計與經濟計量系，嘉茂榮聘教授，博導，系主任。在理論研究方面，關注高維數據分析。在業界實踐方面，王漢生教授是國內最早從統計數據分析角度關注並研究搜尋引擎行銷，社交網路數據，以及位置軌跡數據分析的學者。曾與百度合作完成百度分析師高級培訓，並擔任百度認證專家委員會委員。在推進統計套用在電子商務以及移動網際網路套用方面建樹頗多。

目錄

目錄

第 1章 深度學習簡介及TensorFlow安裝 1

【學習目標】 1

【導言】 1

1．1 機器學習、深度學習與人工智慧 2

1．1．1 機器學習 2

1．1．2 深度學習 3

1．1．3 機器學習與深度學習同人工智慧的關係 4

1．2 深度學習與回歸分析 5

1．2．1 回歸分析理論框架 5

1．2．2 深度學習與回歸分析的聯繫 6

1．3 深度學習的發展歷程 7

1．4 深度學習擅長的領域 9

1．4．1 圖像處理 9

1．4．2語音識別 12

1．4．3自然語言處理 12

1．4．4棋牌競技 13

1．4．5視頻處理 14

1．5 安裝TensorFlow 14

1．5．1 TensorFlow和Keras介紹 15

1．5．2 硬體環境準備 15

1．5．3 軟體環境準備 16

1．5．4 安裝Anaconda 17

1．5．5 安裝TensorFlow及Keras軟體包 17

1．5．6 Jupyter Notebook運行深度學習 19

課後習題 20

第 2章 神經網路基礎 21

【學習目標】 21

【導言】 21

2．1 神經網路模型介紹 21

2．1．1 M-P神經元模型 22

2．1．2 感知機模型 23

2．1．3 多層感知機模型 24

2．2 激活函式 25

2．2．1 sigmoid激活函式 26

2．2．2 tanh激活函式 27

2．2．3 Relu激活函式 28

2．3 神經網路的訓練 29

2．3．1 神經網路的訓練流程 29

2．3．2 前向傳播算法 31

2．3．3 損失函式 32

2．3．4 基於梯度下降算法的預備知識 33

2．3．5批量梯度下降算法（Mini-batch） 35

2．3．6批量梯度下降算法的改進 36

2．3．7 反向傳播算法 38

2．4 神經網路的過擬合及處理方法 40

2．4．1 過擬合 41

2．4．2 正則化方法 42

2．4．3 Dropout方法 44

課後習題 46

第3章 神經網路的TensorFlow實現 47

【學習目標】 47

【導言】 47

3．1 神經網路的數據結構 47

3．1．1 張量及其分類 47

3．1．2 張量數據示例 49

3．2 圖像數據的存儲與運算 51

3．2．1圖像數據的讀入與展示 52

3．2．2 圖像數據的代數運算 54

3．3線性回歸模型的TensorFlow實現 55

3．3．1 線性回歸模型 55

3．3．2 案例：美食評分 56

3．4 邏輯回歸模型的TensorFlow實現 63

3．4．1 邏輯回歸模型 63

3．4．2 Softmax回歸模型 64

3．4．3 案例：手寫數字識別 65

課後習題 70

第4章 卷積神經網路基礎 71

【學習目標】 71

【導言】 71

4．1 卷積神經網路的基本結構 71

4．2 “卷積”與“池化”的通俗理解 72

4．2．1 對卷積的理解 72

4．2．2 對池化的理解 73

4．3 卷積 74

4．3．1 二維離散卷積 75

4．3．2 卷積結果的輸出尺寸 80

4．3．3 多深度的離散卷積 81

4．3．4 卷積運算的三個特性 90

4．4 池化操作 92

4．4．1 same池化 92

4．4．2 valid池化 99

課後習題 105

第5章 經典卷積神經網路（上） 106

【學習目標】 106

【導言】 106

5．1 LeNet-5介紹 107

5．1．1 LeNet-5網路結構 107

5．1．2 案例：LeNet-5手寫數字識別 108

5．2 AlexNet介紹 113

5．2．1 AlexNet網路結構 113

5．2．2 AlexNet創新點 114

5．2．3 案例：中文字型識別——隸書和行楷 115

5．3 VGG介紹 119

5．3．1 VGG網路結構 119

5．3．2 案例：加利福尼亞理工學院鳥類資料庫分類 121

5．4 Batch Normalization技巧 127

5．4．1 Batch Normalization核心思想 127

5．4．2 帶有BN的邏輯回歸 128

5．4．3 帶有BN的寬度模型 131

5．4．4 帶有BN的深度模型 133

5．5 Data Augmentation技巧 135

5．5．1 Data Augmentation核心思想 135

5．5．2 數據增強實例：貓狗分類 136

課後習題 140

第6章 經典卷積神經網路（下） 141

【學習目標】 141

【導言】 141

6．1 Inception模型介紹 141

6．1．1 Inception網路結構 142

6．1．2 案例：Flower分類 147

6．2 ResNet模型介紹 150

6．2．1 ResNet網路結構 150

6．2．2 案例：花的三分類問題 154

6．3 DenseNet模型介紹 158

6．3．1 DenseNet網路結構 158

6．3．2案例：性別區分 163

6．4 MobileNet模型介紹 167

6．4．1 MobileNet網路結構 167

6．4．2 案例：狗的分類 172

6．5 遷移學習 176

6．5．1 深度學習的現實困難 176

6．5．2 遷移學習原理 177

6．5．3 Keras中的遷移學習模型 178

課後習題 182

第7章 深度學習用於文本序列 183

【學習目標】 183

【導言】 183

7．1詞嵌入 184

7．1．1 詞嵌入前期知識 184

7．1．2 詞嵌入的理論原理 187

7．1．3詞嵌入的程式實現 189

7．2機器“作詩”初級：邏輯回歸 192

7．2．1 機器“作詩”原理 192

7．2．2原理實現：數據處理 195

7．2．3原理實現：邏輯回歸 200

7．3機器“作詩”進階（1）：RNN 205

7．3．1 RNN前期知識 206

7．3．2 RNN模型介紹 208

7．3．3原理實現：數據處理 209

7．3．4原理實現：RNN作詩 213

7．4 機器“作詩”進階（2）：LSTM 216

7．4．1 LSTM前期知識 216

7．4．2 LSTM模型介紹 219

7．4．3 原理實現：數據準備 224

7．4．4原理實現：LSTM代碼實現 225

7．5 文本序列套用實例：機器翻譯 228

7．5．1機器翻譯原理 228

7．5．2 案例：中英文翻譯 234

課後習題 242

第8章 深度學習實驗項目 243

【學習目標】 243

【導言】 243

8．1實驗一：LeNet模型 244

8．2實驗二：AlexNet模型 244

8．3 實驗三：VGG 16模型 244

8．4 實驗四：Inception V3模型 245

8．5 實驗五：ResNet模型 245

8．6 實驗六：DenseNet模型 246

8．7 實驗七：MobileNet模型 246

8．8 實驗八：邏輯回歸作詩 247

8．9 實驗九：RNN模型作詩 247

8．10 實驗十：LSTM模型作詩 248