Python深度學習實戰是一本2018年出版的圖書，由機械工業出版社出版。
基本介紹
- 中文名：Python深度學習實戰
- 出版時間：2018年
- 出版社：機械工業出版社
- ISBN：9787111598725
內容簡介,圖書目錄,作者簡介,
內容簡介
《Python深度學習實戰：75個有關神經網路建模、強化學習與遷移學習的解決方案》以自上而下和自下而上的方法來展示針對不同領域實際問題的深度學習解決方案，包括圖像識別、自然語言處理、時間序列預測和機器人操縱等。還討論了採用諸如TensorFlow、PyTorch、Keras和CNTK等流行的深度學習開源框架用於實際問題的解決方案及其優缺點。《Python深度學習實戰：75個有關神經網路建模、強化學習與遷移學習的解決方案》內容包括：用於深度學習的編程環境、GPU計算和雲端解決方案；前饋神經網路與卷積神經網路；循環與遞歸神經網路；強化學習與生成對抗網路；深度學習用於計算機視覺、自然語言處理、語音識別、視頻分析、時間序列預測、結構化數據分析以及遊戲智慧型體（Agents）和機器人操控等。後討論了深度學習的超參數選擇和神經網路的內在結構以及預訓練模型的使用技巧等。
圖書目錄
譯者序
原書前言
第1章編程環境、GPU計算、雲解決方案和深度學習框架//1
1.1簡介//1
1.2搭建一個深度學習環境//2
1.3在AWS上啟動實例//2
1.4在GCP上啟動實例//3
1.5安裝CUDA和cuDNN//4
1.6安裝Anaconda和庫檔案//6
1.7連線伺服器上的JupyterNotebooks//7
1.8用TensorFlow構建最先進的即用模型//8
1.9直觀地用Keras建立網路//10
1.10使用PyTorch的RNN動態計算圖//12
1.11用CNTK實現高性能模型//14
1.12使用MXNet構建高效的模型//15
1.13使用簡單、高效的Gluon編碼定義網路//17
第2章前饋神經網路//19
2.1簡介//19
2.2理解感知器//19
2.3實現一個單層神經網路//23
2.4構建一個多層神經網路//27
2.5開始使用激活函式//30
2.6關於隱層和隱層神經元的實驗//35
2.7實現一個自動編碼器//38
2.8調整損失函式//41
2.9測試不同的最佳化器//44
2.10使用正則化技術提高泛化能力//47
2.11添加Dropout以防止過擬合//51
第3章卷積神經網路//56
3.1簡介//56
3.2開始使用濾波器和參數共享//56
3.3套用層合併技術//60
3.4使用批量標準化進行最佳化//62
3.5理解填充和步長//66
3.6試驗不同類型的初始化//72
3.7實現卷積自動編碼器//76
3.8將一維CNN套用於文本//79
第4章遞歸神經網路//81
4.1簡介//81
4.2實現一個簡單的RNN//82
4.3添加LSTM//84
4.4使用GRU//86
4.5實現雙向RNN//89
4.6字元級文本生成//91
第5章強化學習//95
5.1簡介//95
5.2實現策略梯度//95
5.3實現深度Q學習算法//102
第6章生成對抗網路//109
6.1簡介//1096.2了解GAN//109
6.3實現DCGAN//112
6.4使用SRGAN來提高圖像解析度//117
第7章計算機視覺//125
7.1簡介//125
7.2利用計算機視覺技術增廣圖像//125
7.3圖像中的目標分類//130
7.4目標在圖像中的本地化//134
7.5實時檢測框架//139
7.6用U-net將圖像分類//139
7.7語義分割與場景理解//143
7.8尋找人臉面部關鍵點//147
7.9人臉識別//151
7.10將樣式轉換為圖像//157
第8章自然語言處理//162
8.1簡介//162
8.2情緒分析//162
8.3句子翻譯//165
8.4文本摘要//169
第9章語音識別和視頻分析//174
9.1簡介//174
9.2從零開始實現語音識別流程//174
9.3使用語音識別技術辨別講話人//177
9.4使用深度學習理解視頻//181
第10章時間序列和結構化數據//185
10.1簡介//185
10.2使用神經網路預測股票價格//185
10.3預測共享腳踏車需求//189
10.4使用淺層神經網路進行二元分類//192
第11章遊戲智慧型體和機器人//194
11.1簡介//194
11.2通過端到端學習來駕駛汽車//194
11.3通過深度強化學習來玩遊戲//199
11.4用GA最佳化超參數//205
第12章超參數選擇、調優和神經網路學習//211
12.1簡介//211
12.2用TensorBoard和Keras可視化訓練過程//211
12.3使用批量和小批量工作//215
12.4使用格線搜尋調整參數//219
12.5學習率和學習率調度//221
12.6比較最佳化器//224
12.7確定網路的深度//227
12.8添加Dropout以防止過擬合//227
12.9通過數據增廣使模型更加魯棒//232
12.10利用TTA來提高精度//234
第13章網路內部構造//235
13.1簡介//235
13.2用TensorBoard可視化訓練過程//235
13.3用TensorBoard可視化網路結構//239
13.4分析網路權重等//239
13.5凍結層//244
13.6存儲網路結構並訓練權重//246
第14章預訓練模型//250
14.1簡介//250
14.2使用GoogLeNet/Inception進行大規模視覺識別//250
14.3用ResNet提取瓶頸特徵//252
14.4對新類別使用預訓練的VGG模型//253
14.5用Xception細調//256
作者簡介
作者：
Indra den Bakker是一位經驗豐富的深度學習工程師和培訓師。他是23insights平台的創始人，這是NVIDIA所屬孵化項目計畫的一部分，這是一個機器學習構建解決方案的初創型計畫，可以改變世界上重要的行業。在開放課程平台Udacity，他指導了在深度學習和相關領域攻讀微學位（Nanodegree）的學生，他還負責審查學生的實習項目。Indra擁有計算智慧型背景，並在創建23insights平台之前作為IPG Mediabrands的品牌代理以及Screen6的數據科學家若干年。
譯者：
程國建，博士，教授，西安培華學院智慧型科學與信息工程學院（中興電信學院）院長。1990年12月獲中國石油大學（華東）計算機套用專業工學學士學位；1994年6月獲西安電子科技大學計算機與人工智慧專業工學碩士學位；1997年9月至2001年12月留學德國圖賓根大學，獲理學博士學位（Dr.rer.nat.）。2002年3月至2003年8月在戴姆勒集團（Daimler AG，賓士汽車公司）從事汽車嵌入式軟體產品線構造、車載多媒體互連架構(Telematics)等方面的研究工作。2004年9月回國任教，2008年底破格晉升教授職稱，2009年7月榮獲“陝西省優秀留學回國人員”榮譽稱號，2010年12月赴美國西維吉尼亞大學石油工程系進行訪學活動。近幾年主持並完成十餘項科研項目，包括國家自然科學基金項目2項，指導研究生50餘名，在相關學術研究領域及國際會議發表文章150餘篇，其中核心期刊70餘篇，三大檢索（SCI/ISTP/EI）論文50餘篇，出版專（譯）著十餘部。主要科研領域及研究方向包括：計算智慧型、機器學習、模式識別、圖像處理、智慧型數字油田、商業智慧型、大數據與智慧城市等。
