深度学习 一起玩转TensorLayerPDF|Epub|txt|kindle电子书版本网盘下载

深度学习 一起玩转TensorLayerPDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

1深度学习简介1

1.1人工智能、机器学习和深度学习1

1.1.1引言1

1.1.2人工智能、机器学习和深度学习三者的关系2

1.2神经网络3

1.2.1 McCulloch-Pitts神经元模型3

1.2.2人工神经网络到底能干什么？到底在干什么5

1.2.3什么是激活函数？什么是偏值7

1.3感知器8

1.3.1什么是线性分类器8

1.3.2线性分类器有什么优缺点10

1.3.3感知器实例和异或问题（XOR问题）11

1.4多层感知器14

1.4.1损失函数16

1.4.2梯度下降法和随机梯度下降法17

1.4.3反向传播算法简述20

1.5过拟合21

1.5.1什么是过拟合21

1.5.2 Dropout22

1.5.3批规范化23

1.5.4 L1、 L2和其他正则化方法23

1.5.5 L1和L2正则化的区别23

1.5.6 Lp正则化的图形化解释24

1.5.7其他神经网络25

2TensorLayer简介27

2.1 TensorLayer问与答27

2.1.1为什么我们需要TensorLayer27

2.1.2为什么我们选择TensorLayer28

2.2 TensorLayer的学习方法建议28

2.2.1网络资源28

2.2.2 TensorFlow官方深度学习教程29

2.2.3深度学习框架概况30

2.2.4 TensorLayer框架概况31

2.2.5 TensorLayer实验环境配置32

2.2.6 TensorLayer开源社区33

2.3实现手写数字分类33

2.4再实现手写数字分类41

2.4.1数据迭代器41

2.4.2通过all_ drop启动与关闭Dropout42

2.4.3通过参数共享实现训练测试切换45

3自编码器49

3.1稀疏性49

3.2稀疏自编码器51

3.3实现手写数字特征提取54

3.4降噪自编码器60

3.5再实现手写数字特征提取63

3.6堆栈式自编码器及其实现67

4卷积神经网络75

4.1卷积原理75

4.1.1卷积操作76

4.1.2张量79

4.1.3卷积层81

4.1.4池化层83

4.1.5全连接层85

4.2经典任务86

4.2.1图像分类86

4.2.2目标检测86

4.2.3语义分割90

4.2.4实例分割90

4.3经典卷积网络91

4.3.1 LeNet92

4.3.2 AlexNet92

4.3.3 VGGNet93

4.3.4 GoogLeNet95

4.3.5 ResNet96

4.4实现手写数字分类96

4.5数据增强与规范化100

4.5.1数据增强101

4.5.2批规范化102

4.5.3局部响应归一化104

4.6实现CIFAR 10分类104

4.6.1方法1：tl.prepro做数据增强104

4.6.2方法2： TFRecord做数据增强110

4.7反卷积神经网络116

5词的向量表达117

5.1词汇表征117

5.2语言模型119

5.3 Word2Vec119

5.3.1简介119

5.3.2 Continuous Bag-Of-Words（CBOW）模型120

5.3.3 Skip-Gram （SG）模型122

5.3.4 Hierarchical Softmax124

5.3.5 Negative Sampling126

5.4实现Word2 Vec127

5.4.1简介127

5.4.2实现128

5.5重载预训练矩阵136

6递归神经网络139

6.1为什么需要它139

6.2不同的RNNs142

6.2.1简单递归网络142

6.2.2回音网络143

6.3长短期记忆144

6.3.1 LSTM概括144

6.3.2 LSTM详解147

6.3.3 LSTM变种150

6.4实现生成句子151

6.4.1模型简介152

6.4.2数据迭代154

6.4.3损失函数和更新公式156

6.4.4生成句子及Top K采样158

6.4.5接下来还可以做什么161

7深度增强学习162

7.1强化学习163

7.1.1概述163

7.1.2基于价值的强化学习165

7.1.3基于策略的强化学习168

7.1.4基于模型的强化学习169

7.2深度强化学习171

7.2.1深度Q学习171

7.2.2深度策略网络173

7.3更多参考资料179

7.3.1书籍179

7.3.2在线课程179

8生成对抗网络180

8.1何为生成对抗网络181

8.2深度卷积对抗生成网络182

8.3实现人脸生成183

8.4还能做什么190

9高级实现技巧195

9.1与其他框架对接195

9.1.1无参数层196

9.1.2有参数层196

9.2自定义层197

9.2.1无参数层197

9.2.2有参数层199

9.3建立词汇表200

9.4补零与序列长度202

9.5动态递归神经网络203

9.6实用小技巧204

9.6.1屏蔽显示205

9.6.2参数名字前缀205

9.6.3获取特定参数206

9.6.4获取特定层输出207

10实例一：使用预训练卷积网络208

10.1高维特征表达208

10.2 VGG网络209

10.3连接TF-Slim215

11实例二：图像语义分割及其医学图像应用219

11.1图像语义分割概述219

11.1.1传统图像分割算法简介221

11.1.2损失函数与评估指标223

11.2医学图像分割概述224

11.3全卷积神经网络和U-Net网络结构226

11.4医学图像应用：实现脑部肿瘤分割228

11.4.1数据与数据增强229

11.4.2 U-Net网络232

11.4.3损失函数233

11.4.4开始训练235

12实例三：由文本生成图像238

12.1条件生成对抗网络之GAN-CLS239

12.2实现句子生成花朵图片240

13实例四：超高分辨率复原254

13.1什么是超高分辨率复原254

13.2网络结构255

13.3联合损失函数258

13.4训练网络263

13.5使用测试271

14实例五：文本反垃圾274

14.1任务场景274

14.2网络结构275

14.3词的向量表示276

14.4 Dynamic RNN分类器277

14.5训练网络278

14.5.1训练词向量278

14.5.2文本的表示284

14.5.3训练分类器285

14.5.4模型导出290

14.6 TensorFlow Serving部署293

14.7客户端调用295

14.8其他常用方法300

中英对照表及其缩写303

参考文献310