Python深度學習從零開始學

內容簡介

本書立足實踐，以通俗易懂的方式詳細介紹深度戲乎學習的基礎理論以及相關的必要知巴霸拘識，同時以實際動手操作的方式來引導讀者入門人工智慧深度學習。本書的讀者只需具備Python語言基礎知識，不需要辣雅應有數學基礎或者AI基礎，按照本書的內容循連鑽察陵序漸進地學習，即可快速上手深度學習。本書配套示例源碼、PPT課件、數據辣霉淚集、開發環境與答疑服務。本書共分13章，主要內容包括人工智慧、機器學習和深度凳戀探學習之間的關係、深度學習的環境搭建、深度學習的原理、深度學習框架TensorFlow和Keras、卷積神經網路相關知識、圖像識別、情感分析、遷移學習、人臉識別、圖像風格遷移、生成對抗網路等內容。本書從最簡單的常識出發來切入AI領域，打造平滑和興奮的學習體驗。

作者簡介

宋立桓，IT資深技術專家，騰訊公司騰訊雲解決方案架構師，主要負責為陵膠淚鞏企業客戶提供顧問諮詢、培訓和方案設計服務。之前服務於微軟中國有限公司。目前專注於雲計算、大數據和人工智慧，對區塊鏈的相關技術也有深入的研究。著有圖書《Cloudera Hadoop大數據平台實戰指南》《AI制勝：機器學習極簡入門》《MySQL性能最佳化和高可用架構實踐》等。

圖書目錄

第1章人工智慧、機器學習與深度學習簡介1

1.1 什麼是人工智慧1

1.2 人工智慧的本質2

1.3 人工智慧相關專業人才的就業前景4

1.4 機器學習和深度學習5

1.4.1 什麼是機器學習5

1.4.2 深度學習獨領風騷7

1.4.3 機器學習和深度學習的關係和對比8

1.5 小白如何學深度學習10

1.5.1 關於兩個“放棄”10

1.5.2 關於三個“必須”11

第2章深度學習開發環境搭建13

2.1 Jupyter Notebook極速入門13

2.1.1 什麼是Jupyter Notebook13

2.1.2 如何安裝和啟動Jupyter Notebook14

2.1.3 Jupyter Notebook的基本使用16

2.2 深度學習常用框架介紹18

2.3 Windows環境下安裝TensorFlow（CPU版本）和Keras19

2.4 Windows環境下安裝TensorFlow（GPU版本）和Keras21

2.4.1 確認顯示卡是否支持CUDA21

2.4.2 安裝CUDA22

2.4.3 安裝cuDNN23

2.4.4 安裝TensorFlow（GPU版本）和Keras24

2.5 Windows環境下安裝PyTorch25

2.5.1 安裝PyTorch（CPU版本）25

2.5.2 安裝PyTorch（GPU版本）26

第3章 Python數據科學庫28

3.1 張量、矩陣和向量28

3.2 數組和矩陣運算庫——NumPy29

3.2.1 列表和數組的區別29

3.2.2 創建數組的方法30

3.2.3 NumPy的算術運算30

3.2.4 數組變形31

3.3 數據分析處理庫——Pandas32

3.3.1 Pandas數據結構Series32

3.3.2 Pandas數據結構DataFrame33

3.3.3 Pandas處理CSV檔案34

3.3.4 Pandas數據清洗35

3.4 數據可視化庫——Matplotlib37

第4章深度學習基礎40

4.1 神經網路原理闡述40

4.1.1 神經元和感知器40

4.1.2 激活函式42

4.1.3 損失函式44

4.1.4 梯度下降和學習率45

4.1.5 過擬合和Dropout 46

4.1.6 神經網路反向傳播法47

4.1.7 TensorFlow遊樂場帶你玩轉神經網路48

4.2 卷積神經網路51

4.2.1 什麼是卷積神經網路51

4.2.2 卷積神經網路詳解52

4.2.3 卷積神經網路是如何訓練的 54

4.3 卷積神經網路經典模型架構55

4.3.1 LeNet556

4.3.2 AlexNet59

4.3.3 VGGNet60

4.3.4 GoogLeNet61

4.3.5 ResNet63

第5章深度學習框架TensorFlow入門66

5.1 第一個TensorFlow的“Hello world”66

5.2 TensorFlow程式結構66

5.3 TensorFlow常量、變數、占位符68

5.3.1 常量68

5.3.2 變數69

5.3.3 占位符71

5.4 TensorFlow案例實戰73

5.4.1 MNIST數字識別問題73

5.4.2 TensorFlow多層感知器識別手寫數字74

5.4.3 TensorFlow卷積神經網路識別手寫數字79

5.5 可視化工具TensorBoard的使用84

第6章深度學習框架Keras入門88

6.1 Keras架構簡介88

6.2 Keras常用概念89

6.3 Keras創建神經網路基本流程90

6.4 Keras創建神經網路進行鐵達尼號生還預測 93

6.4.1 案例項目背景和數據集介紹93

6.4.2 數據預處理96

6.4.3 建立模型97

6.4.4 編譯模型並進行訓練97

6.4.5 模型評估98

6.4.6 預測和模型的保存99

6.5 Keras創建神經網路預測銀行客戶流失率100

6.5.1 案例項目背景和數據集介紹100

6.5.2 數據預處理102

6.5.3 建立模型103

6.5.4 編譯模型並進行訓練104

6.5.5 模型評估105

6.5.6 模型最佳化——使用深度神經網路輔以Dropout正則化106

第7章數據預處理和模型評估指標108

7.1 數據預處理的重要性和原則108

7.2 數據預處理方法介紹109

7.2.1 數據預處理案例——標準化、歸一化、二值化109

7.2.2 數據預處理案例——缺失值補全、標籤化111

7.2.3 數據預處理案例——獨熱編碼113

7.2.4 通過數據預處理提高模型準確率114

7.3 常用的模型評估指標115

第8章圖像分類識別121

8.1 圖像識別的基礎知識121

8.1.1 計算機是如何表示圖像121

8.1.2 卷積神經網路為什麼能稱霸計算機圖像識別領域122

8.2 實例一：手寫數字識別125

8.2.1 MNIST手寫數字識別數據集介紹125

8.2.2 數據預處理126

8.2.3 建立模型127

8.2.4 進行訓練129

8.2.5 模型保存和評估130

8.2.6 進行預測130

8.3 實例二：CIFAR-10圖像識別130

8.3.1 CIFAR-10圖像數據集介紹131

8.3.2 數據預處理132

8.3.3 建立模型132

8.3.4 進行訓練133

8.3.5 模型評估135

8.3.6 進行預測135

8.4 實例三：貓狗識別137

8.4.1 貓狗數據集介紹137

8.4.2 建立模型139

8.4.3 數據預處理140

8.4.4 進行訓練141

8.4.5 模型保存和評估142

8.4.6 進行預測143

8.4.7 模型的改進最佳化144

第9章 IMDB電影評論情感分析148

9.1 IMDB電影數據集和影評文字處理介紹148

9.2 基於多層感知器模型的電影評論情感分析152

9.2.1 加入嵌入層152

9.2.2 建立多層感知器模型152

9.2.3 模型訓練和評估153

9.2.4 預測155

9.3 基於RNN模型的電影評論情感分析157

9.3.1 為什麼要使用RNN模型157

9.3.2 RNN模型原理158

9.3.3 使用RNN模型進行影評情感分析159

9.4 基於LSTM模型的電影評論情感分析159

9.4.1 LSTM模型介紹160

9.4.2 使用LTSM模型進行影評情感分析161

第10章遷移學習162

10.1 遷移學習簡介162

10.2 什麼是預訓練模型163

10.3 如何使用預訓練模型164

10.4 在貓狗識別的任務上使用遷移學習165

10.5 在MNIST手寫體分類上使用遷移學習168

10.6 遷移學習總結171

第11章人臉識別實踐172

11.1 人臉識別172

11.1.1 什麼是人臉識別172

11.1.2 人臉識別的步驟173

11.2 人臉檢測和關鍵點定位實戰176

11.3 人臉表情分析情緒識別實戰180

11.4 我能認識你——人臉識別實戰184

第12章圖像風格遷移188

12.1 圖像風格遷移簡介188

12.2 使用預訓練的VGG16模型進行風格遷移191

12.2.1 算法思想191

12.2.2 算法細節192

12.2.3 代碼實現194

12.3 圖像風格遷移總結201

第13章生成對抗網路202

13.1 什麼是生成對抗網路202

13.2 生成對抗網路算法細節204

13.3 循環生成對抗網路206

13.4 利用CycleGAN進行圖像風格遷移209

13.4.1 導入必要的庫210

13.4.2 數據處理210

13.4.3 生成網路212

13.4.4 判別網路214

13.4.5 整體網路結構的搭建215

13.4.6 訓練代碼217

13.4.7 結果展示219

後記進一步深入學習220

Python深度學習從零開始學

基本介紹

內容簡介

作者簡介

圖書目錄

相關詞條

熱門詞條