深度学习全书：公式+推导+代码+TensorFlow全程案例

15-12　木棒小车

15-11　井字游戏

15-10　其他算法

15-9　时序差分

15-8　蒙特卡洛

15-7　值循环

15-6　动态规划

15-5　Gym扩充功能

15-4　Gym库

15-3　简单的强化学习架构

15-2　强化学习模型

15-1　强化学习的基础

第15章　强化学习

第五篇　强化学习

14-6　总结

14-5　自动语音识别实践

14-4　自动语音识别

14-3　语音相关的深度学习应用

14-2　语音前置处理

14-1　语音基本认识

第14章　语音识别

13-6　总结

13-5-3　履行

13-5-2　Dialogflow基本功能

13-5-1　Dialogflow安装

13-5　Dialogflow实践

13-4-3　Rasa实践

13-4-2　Chatbot AI实践

13-4-1　ChatterBot实践

13-4　ChatBot工具框架

13-3　ChatBot实践

13-2　ChatBot设计

13-1　ChatBot类别

第13章　聊天机器人

12-10　总结

12-9-3　后续努力

12-9-2　Transformers库效能微调

12-9-1　Transformers库范例

12-9　Transformers库

12-8-3　BERT效能微调

12-8-2　Next Sentence Prediction

12-8-1　Masked LM

12-8　BERT

12-7-2　Transformer效能

12-7-1　Transformer原理

12-7　Transformer架构

12-6　注意力机制

12-5　股价预测

12-4　Gate Recurrent Unit

12-3　LSTM重要参数与多层LSTM

12-2　长短期记忆网络

12-1　循环神经网络

第12章　自然语言处理的算法

11-6　spaCy库

11-5　中文处理

11-4　GloVe模型

11-3　词向量

11-2　词汇前置处理

11-1　词袋与TF-IDF

第11章　自然语言处理的介绍

第四篇　自然语言处理

10-9　深度伪造

10-8　GAN挑战

10-7　CycleGAN

10-6　Pix2Pix

10-5　Conditional GAN

10-4　Progressive GAN

10-3　DCGAN

10-2　生成对抗网络种类

10-1　生成对抗网络介绍

第10章　生成对抗网络

9-9　卷积神经网络的缺点

9-8　车牌辨识

9-7　光学文字辨识

9-6-5　脸部验证

9-6-4　脸部特征点检测

9-6-3　脸部追踪

9-6-2　MTCNN算法

9-6-1　脸部检测

9-6　脸部辨识

9-5　风格转换——人人都可以是毕加索

9-4　实例分割

9-3　语义分割实践

9-2　自动编码器

9-1　语义分割介绍

第9章　进阶的影像应用

8-13　总结

8-12　目标检测的效果衡量指标

8-11　TensorFlow Object Detection API

8-10　SSD算法

8-9　YOLO模型训练

8-8　以TensorFlow实践YOLO模型

8-7　YOLO环境配置

8-6　YOLO算法简介

8-5　R-CNN改良

8-4　R-CNN目标检测

8-3　方向梯度直方图

8-2　滑动窗口

8-1　图像辨识模型的发展

第8章　目标检测

第三篇　进阶的影像应用

7-5　Batch Normalization说明

7-4　转移学习

7-3　采用部分模型

7-2　采用完整的模型

7-1　预先训练的模型简介

第7章　预先训练的模型

6-7　可解释的AI

6-6　影像数据增补

6-5　CNN模型实践

6-4　池化层

6-3　各式卷积

6-2　卷积

6-1　卷积神经网络简介

第6章　卷积神经网络

5-7-5　Dataset效果提升

5-7-4　TextLineDataset

5-7-3　TFRecord与Dataset

5-7-2　图像Dataset

5-7-1　产生Dataset

5-7　TensorFlow Dataset

5-6-2　TensorFlow Serving

5-6-1 　自行开发网页程序

5-6 　模型部署与TensorFlow Serving

5-5-7　总结

5-5-6　敏感度分析

5-5-5　效果调校

5-5-4　直方图

5-5-3　写入图片

5-5-2　测试

5-5-1　TensorBoard功能

5-5　TensorBoard

5-4-6　总结

5-4-5　自定义Callback应用

5-4-4　自定义Callback

5-4-3　TensorBoard Callbacks

5-4-2　ModelCheckpoint Callbacks

5-4-1　EarlyStopping Callbacks

5-4　回调函数

5-3　模型汇总与结构图

5-2　模型存盘与加载

5-1　特征转换

第5章　TensorFlow其他常用指令

4-8　超参数调校

4-7　效果衡量指标

4-6　优化器

4-5　损失函数

4-4　激活函数

4-3-2　Dropout Layer

4-3-1　完全连接神经层

4-3　神经层

4-2-2　Functional API

4-2-1　Sequential model

4-2　Keras模型种类

4-1-3　实验

4-1-2　程序强化

4-1-1　最简短的程序

4-1　撰写第一个神经网络程序

第4章　神经网络实践

3-5　神经网络层

3-4　自动微分

3-3　张量运算

3-2 　TensorFlow架构

3-1　常用的深度学习框架

第3章　TensorFlow架构与主要功能

第二篇　TensorFlow基础篇

2-7-3　神经网络求解

2-7-2　梯度下降法

2-7-1　神经网络

2-7　神经网络求解

2-6-2　最大似然估计法

2-6-1　普通最小二乘法

2-6　普通最小二乘法与最大似然估计法

2-5　线性规划

2-4-6　假设检定

2-4-5　概率分布

2-4-4　概率

2-4-3　基础统计

2-4-2　抽样

2-4-1　数据类型

2-4　概率与统计

2-3-5　积分

2-3-4　简单线性回归求解

2-3-3　偏微分

2-3-2　微分定理

2-3-1　微分

2-3　微积分

2-2-3　联立方程式求解

2-2-2　矩阵

2-2-1　向量

2-2　线性代数

2-1　必备的数学与统计知识

第2章　神经网络原理

1-5　开发环境安装

1-4　机器学习开发流程

1-3　机器学习应用领域

1-2　AI的学习地图

1-1　人工智能的三波浪潮

第1章　深度学习导论

第一篇　深度学习导论

前言

彩插

作者简介

内容简介

版权信息

封面

封面

版权信息

内容简介

作者简介

彩插

前言

第一篇　深度学习导论

第1章　深度学习导论

1-1　人工智能的三波浪潮

1-2　AI的学习地图

1-3　机器学习应用领域

1-4　机器学习开发流程

1-5　开发环境安装

第2章　神经网络原理

2-1　必备的数学与统计知识

2-2　线性代数

2-2-1　向量

2-2-2　矩阵

2-2-3　联立方程式求解

2-3　微积分

2-3-1　微分

2-3-2　微分定理

2-3-3　偏微分

2-3-4　简单线性回归求解

2-3-5　积分

2-4　概率与统计

2-4-1　数据类型

2-4-2　抽样

2-4-3　基础统计

2-4-4　概率

2-4-5　概率分布

2-4-6　假设检定

2-5　线性规划

2-6　普通最小二乘法与最大似然估计法

2-6-1　普通最小二乘法

2-6-2　最大似然估计法

2-7　神经网络求解

2-7-1　神经网络

2-7-2　梯度下降法

2-7-3　神经网络求解

第二篇　TensorFlow基础篇

第3章　TensorFlow架构与主要功能

3-1　常用的深度学习框架

3-2 　TensorFlow架构

3-3　张量运算

3-4　自动微分

3-5　神经网络层

第4章　神经网络实践

4-1　撰写第一个神经网络程序

4-1-1　最简短的程序

4-1-2　程序强化

4-1-3　实验

4-2　Keras模型种类

4-2-1　Sequential model

4-2-2　Functional API

4-3　神经层

4-3-1　完全连接神经层

4-3-2　Dropout Layer

4-4　激活函数

4-5　损失函数

4-6　优化器

4-7　效果衡量指标

4-8　超参数调校

第5章　TensorFlow其他常用指令

5-1　特征转换

5-2　模型存盘与加载

5-3　模型汇总与结构图

5-4　回调函数

5-4-1　EarlyStopping Callbacks

5-4-2　ModelCheckpoint Callbacks

5-4-3　TensorBoard Callbacks

5-4-4　自定义Callback

5-4-5　自定义Callback应用

5-4-6　总结

5-5　TensorBoard

5-5-1　TensorBoard功能

5-5-2　测试

5-5-3　写入图片

5-5-4　直方图

5-5-5　效果调校

5-5-6　敏感度分析

5-5-7　总结

5-6 　模型部署与TensorFlow Serving

5-6-1 　自行开发网页程序

5-6-2　TensorFlow Serving

5-7　TensorFlow Dataset

5-7-1　产生Dataset

5-7-2　图像Dataset

5-7-3　TFRecord与Dataset

5-7-4　TextLineDataset

5-7-5　Dataset效果提升

第6章　卷积神经网络

6-1　卷积神经网络简介

6-2　卷积

6-3　各式卷积

6-4　池化层

6-5　CNN模型实践

6-6　影像数据增补

6-7　可解释的AI

第7章　预先训练的模型

7-1　预先训练的模型简介

7-2　采用完整的模型

7-3　采用部分模型

7-4　转移学习

7-5　Batch Normalization说明

第三篇　进阶的影像应用

第8章　目标检测

8-1　图像辨识模型的发展

8-2　滑动窗口

8-3　方向梯度直方图

8-4　R-CNN目标检测

8-5　R-CNN改良

8-6　YOLO算法简介

8-7　YOLO环境配置

8-8　以TensorFlow实践YOLO模型

8-9　YOLO模型训练

8-10　SSD算法

8-11　TensorFlow Object Detection API

8-12　目标检测的效果衡量指标

8-13　总结

第9章　进阶的影像应用

9-1　语义分割介绍

9-2　自动编码器

9-3　语义分割实践

9-4　实例分割

9-5　风格转换——人人都可以是毕加索

9-6　脸部辨识

9-6-1　脸部检测

9-6-2　MTCNN算法

9-6-3　脸部追踪

9-6-4　脸部特征点检测

9-6-5　脸部验证

9-7　光学文字辨识

9-8　车牌辨识

9-9　卷积神经网络的缺点

第10章　生成对抗网络

10-1　生成对抗网络介绍

10-2　生成对抗网络种类

10-3　DCGAN

10-4　Progressive GAN

10-5　Conditional GAN

10-6　Pix2Pix

10-7　CycleGAN

10-8　GAN挑战

10-9　深度伪造

第四篇　自然语言处理

第11章　自然语言处理的介绍

11-1　词袋与TF-IDF

11-2　词汇前置处理

11-3　词向量

11-4　GloVe模型

11-5　中文处理

11-6　spaCy库

第12章　自然语言处理的算法

12-1　循环神经网络

12-2　长短期记忆网络

12-3　LSTM重要参数与多层LSTM

12-4　Gate Recurrent Unit

12-5　股价预测

12-6　注意力机制

12-7　Transformer架构

12-7-1　Transformer原理

12-7-2　Transformer效能

12-8　BERT

12-8-1　Masked LM

12-8-2　Next Sentence Prediction

12-8-3　BERT效能微调

12-9　Transformers库

12-9-1　Transformers库范例

12-9-2　Transformers库效能微调

12-9-3　后续努力

12-10　总结

第13章　聊天机器人

13-1　ChatBot类别

13-2　ChatBot设计

13-3　ChatBot实践

13-4　ChatBot工具框架

13-4-1　ChatterBot实践

13-4-2　Chatbot AI实践

13-4-3　Rasa实践

13-5　Dialogflow实践

13-5-1　Dialogflow安装

13-5-2　Dialogflow基本功能

13-5-3　履行

13-6　总结

第14章　语音识别

14-1　语音基本认识

14-2　语音前置处理

14-3　语音相关的深度学习应用

14-4　自动语音识别

14-5　自动语音识别实践

14-6　总结

第五篇　强化学习

第15章　强化学习

15-1　强化学习的基础

15-2　强化学习模型

15-3　简单的强化学习架构

15-4　Gym库

15-5　Gym扩充功能

15-6　动态规划

15-7　值循环

15-8　蒙特卡洛

15-9　时序差分

15-10　其他算法

15-11　井字游戏

15-12　木棒小车