Python深度学习实战 75个有关神经网络建模、强化学习与迁移学习的解决方案

Python深度学习实战 75个有关神经网络建模、强化学习与迁移学习的解决方案

英德拉.丹.巴克著 程国建 周冠武译
出版社:机械工业出版社
出版时间:2018年06月



本书以自上而下和自下而上的方法来展示针对不同领域实际问题的深度学习解决方案，包括图像识别、自然语言处理、时间序列预测和机器人操纵等。还讨论了采用诸如TensorFlow、PyTorch、Keras和CNTK等流行的深度学习开源框架用于实际问题的解决方案及其优缺点。本书内容包括：用于深度学习的编程环境、GPU计算和云端解决方案；前馈神经网络与卷积神经网络；循环与递归神经网络；强化学习与生成对抗网络；深度学习用于计算机视觉、自然语言处理、语音识别、视频分析、时间序列预测、结构化数据分析以及游戏智能体（Agents）和机器人操控等。后讨论了深度学习的超参数选择和神经网络的内在结构以及预训练模型的使用技巧等。

原书前言
第 1章　编程环境、GPU计算、云解决方案和深度学习框架 //1
1.1　简介 //1
1.2　搭建一个深度学习环境 //2
1.3　在 AWS上启动实例 //2
1.4　在 GCP上启动实例 //3
1.5　安装 CUDA和 cuDNN //4
1.6　安装 Anaconda和库文件 //6
1.7　连接服务器上的 Jupyter Notebooks //7
1.8　用 TensorFlow构建最先进的即用模型 //8
1.9　直观地用 Keras建立网络 //10
1.10　使用 PyTorch的 RNN动态计算图 //12
1.11　用 CNTK实现高性能模型 //14
1.12　使用 MXNet构建高效的模型 //15
1.13　使用简单、高效的 Gluon编码定义网络 //17
第 2章　前馈神经网络 //19
2.1　简介 //19
2.2　理解感知器 //19
2.3　实现一个单层神经网络 //23
2.4　构建一个多层神经网络 //27
2.5　开始使用激活函数 //30
2.6　关于隐层和隐层神经元的实验 //35
2.7　实现一个自动编码器 //38
2.8　调整损失函数 //41
2.9　测试不同的优化器 //44
2.10　使用正则化技术提高泛化能力 //47
2.11　添加 Dropout以防止过拟合 //51
第 3章　卷积神经网络 //56
3.1　简介 //56
3.2　开始使用滤波器和参数共享 //56
3.3　应用层合并技术 //60
3.4　使用批量标准化进行优化 //62
3.5　理解填充和步长 //66
3.6　试验不同类型的初始化 //72
3.7　实现卷积自动编码器 //76
………………



链接: https://pan.baidu.com/s/1Nyozv3NSDtOUk_c_fOEHDg