深度学习理论与实践PDF电子书下载

查看更多关于的内容

第1章 概述 1

1.1 引言 1

1.2 新一代人工智能 4

1.3 深度学习 7

1.3.1 深度学习的起源 7

1.3.2 深度学习的发展 7

1.3.3 深度学习的爆发 8

1.4 人工智能、机器学习与深度学习的关系 9

本章小结 13

课后习题 13

第2章 深度学习基础知识 15

2.1 人工神经网络 15

2.1.1 神经元 15

2.1.2 感知器 16

2.1.3 多层感知器 17

2.2 BP算法 18

2.2.1 BP算法的基本原理 18

2.2.2 激活函数 20

2.2.3 梯度下降法 22

2.3 深度学习与神经网络 26

2.3.1 深度学习的基本思想 26

2.3.2 深度学习与神经网络的关系 27

2.3.3 深度学习的学习过程 27

2.4 深度学习的主要方法 29

2.4.1 监督学习 29

2.4.2 无监督学习 30

2.4.3 半监督学习 31

2.4.4 增强学习 31

2.4.5 迁移学习 33

2.4.6 对偶学习 33

2.5 深度学习开源框架与TensorFlow示例 34

2.5.1 深度学习开源框架 34

2.5.2 TensorFlow与编程示例 36

本章小结 42

课后习题 43

第3章 卷积神经网络 44

3.1 卷积神经网络简介 44

3.2 卷积层 46

3.2.1 卷积层介绍 46

3.2.2 TensorFlow实现卷积操作 53

3.2.3 激活函数 57

3.3 池化层 59

3.3.1 池化层介绍 59

3.3.2 TensorFlow实现池化操作 61

3.4 全连接层 62

3.4.1 全连接层介绍 62

3.4.2 TensorFlow全连接神经网络的实现 65

3.5 经典CNN模型 66

3.5.1 AlexNet 66

3.5.2 VGGNet 67

3.5.3 GoogLeNet 68

3.5.4 ResNet 70

3.6 CNN的应用领域 71

3.6.1 计算机视觉 72

3.6.2 自然语言处理 76

3.6.3 语音识别 78

3.7 CNN应用实例 79

3.7.1 手写数字识别 79

3.7.2 写诗机器人 82

3.7.3 基于GANs生成人脸 88

本章小结 94

课后习题 94

第4章 图卷积神经网络 97

4.1 图卷积神经网络的基础 97

4.1.1 图的定义 97

4.1.2 图节点的表示 98

4.1.3 图节点的聚合 99

4.1.4 子图级嵌入 105

4.1.5 图神经网络的输出 106

4.2 基于谱域的图卷积神经网络 106

4.2.1 基于Fourier的图上卷积算子的构建 106

4.2.2 基于谱图小波变换的图上卷积算子的构建 130

4.3 基于空间域的图卷积神经网络 142

4.3.1 注意力机制 142

4.3.2 图注意力层 143

4.3.3 应用案例——GAT 145

4.4 基于GCN的图时空网络 147

4.4.1 道路图的交通预测 147

4.4.2 图的卷积 148

4.4.3 STGCN模型 148

本章小结 150

课后习题 150

第5章 循环神经网络和递归神经网络 151

5.1 循环神经网络的概念 151

5.2 循环神经网络前向计算 152

5.3 长短时记忆网络 154

5.3.1 LSTM结构 154

5.3.2 LSTM前向计算 155

5.3.3 实验：利用LSTM模型生成古诗 156

5.4 循环神经网络的其他变形及应用 159

5.4.1 GRU 159

5.4.2 序列到序列模型 160

5.4.3 实验：基于Seq2Seq模型的聊天机器人 161

5.5 递归神经网络 163

5.5.1 递归神经网络的前向计算 166

5.5.2 递归神经网络的训练 167

5.5.3 权重梯度的计算及权重更新 170

本章小结 171

课后习题 171

第6章 深度置信网络 174

6.1 受限玻尔兹曼机 174

6.1.1 引言 174

6.1.2 玻尔兹曼机 174

6.1.3 受限玻尔兹曼机的定义 175

6.1.4 RBM参数学习 176

6.1.5 RBM模型参数求解 177

6.1.6 RBM模型训练算法 177

6.1.7 RBM模型评估 178

6.2 深度置信网络概述 178

6.2.1 引言 178

6.2.2 DBN-DNN结构 179

6.2.3 模型训练 180

6.3 深度置信网络实验 183

本章小结 191

课后习题 191

第7章 生成对抗网络 192

7.1 引言 192

7.2 GAN原理与模型训练方法 193

7.2.1 GAN的工作原理 193

7.2.2 GAN的特点及其优缺点 193

7.2.3 GAN的基本模型 194

7.2.4 GAN模型的挑战 194

7.2.5 GAN与Jensen-Shannon散度 195

7.2.6 生成器与判别器的网络 196

7.3 GAN的模型改进 197

7.3.1 WGAN 197

7.3.2 WGAN-GP 198

7.3.3 LSGAN 199

7.3.4 f-GAN 199

7.3.5 LS-GAN与GLS-GAN 200

7.3.6 EBGAN 201

7.3.7 BEGAN 202

7.4 GAN的应用模型改进 203

7.4.1 CGAN 203

7.4.2 InfoGAN 204

7.4.3 Pix2Pix 205

7.4.4 CycleGAN 206

7.4.5 StarGAN 207

7.4.6 SRGAN 208

7.4.7 DeblurGAN 210

7.4.8 AttentiveGAN 212

7.5 GAN的应用 213

7.5.1 图像领域 213

7.5.2 视频领域 213

7.5.3 人机交互领域 214

7.6 GAN模拟实验 214

7.6.1 实验目标 214

7.6.2 实验内容 214

7.6.3 实验步骤 215

7.6.4 实验结果 223

本章小结 223

课后习题 223

第8章 深度迁移学习 225

8.1 引言 225

8.2 迁移学习的概念与原理 226

8.2.1 迁移学习的概念 226

8.2.2 迁移学习的原理 226

8.3 迁移学习的方法 227

8.3.1 基于实例的迁移学习方法 228

8.3.2 基于特征的迁移学习方法 229

8.3.3 基于模型的迁移学习方法 230

8.3.4 基于关系的迁移学习方法 230

8.4 深度迁移学习概述 231

8.4.1 基于实例的深度迁移学习 231

8.4.2 基于映射的深度迁移学习 232

8.4.3 基于网络的深度迁移学习 232

8.4.4 基于对抗的深度迁移学习 233

8.5 深度迁移学习实验 233

本章小结 238

课后习题 238

参考文献 239

查看更多关于的内容