作者: 王晓华 著
出版社: 清华大学出版社
出版年: 2021年06月
ISBN: 9787302580287
～～滚到底部有网盘下载链接～～
内容简介
深度学习已经进入我们的生活，云计算和大数据为深度学习提供了便利。本书主要讲解深度学习中的数学知识、算法原理和实现方法，配套源码、数据集和开发环境。 本书共12章。第1章介绍人类视觉和深度学习的联系。第2章介绍深度学习中*为重要的梯度下降算法。第3章介绍卷积函数。第4章介绍计算损失函数所使用的交叉熵、决策树和信息熵。第5章介绍线性回归和逻辑回归。第6、7章介绍时间序列模型和生成对抗网络。第8章介绍TensorFlow框架。第9章介绍推荐算法。第10章介绍深度学习中的标准化、正则化和初始化。第11章是案例人脸识别。第12章是词嵌入向量案例，介绍自然语言处理方面的应用。 本书理论和实践相结合，理论讲解细致直观，通过实例进行演示，可以使读者快速掌握本书内容。本书适合深度学习初学者、深度学习算法开发人员阅读，也适合高等院校和培训机构人工智能相关专业的师生参考。
目录
第1章 Hello World—从计算机视觉与人类视觉谈起 1
1.1 人类的视觉 1
1.1.1 人类视觉神经的启迪 1
1.1.2 计算机视觉的难点与人工神经网络 2
1.1.3 应用深度学习解决计算机视觉问题 3
1.2 计算机视觉学习的基础与研究方向 4
1.2.1 学习计算机视觉结构图 4
1.2.2 计算机视觉的学习方式和未来趋势 5
1.3 本章小结 6
第2章 道士下山—故事的开始 7
2.1 BP神经网络简介 7
2.2 BP神经网络的两个基础算法详解 11
2.2.1 小二乘法 11
2.2.2 梯度下降法 13
2.3 反馈神经网络反向传播算法 16
2.3.1 深度学习基础 16
2.3.2 链式求导法则 17
2.3.3 反馈神经网络原理与公式推导 18
2.3.4 反馈神经网络原理的激活函数 23
2.3.5 反馈神经网络原理的Python实现 24
2.4 本章小结 29
第3章 猫还是狗—深度学习中的卷积与其他函数 30
3.1 卷积运算基本概念 30
3.1.1 卷积运算 31
3.1.2 卷积核 33
3.1.3 卷积神经网络原理 33
3.2 卷积神经网络公式推导 35
3.2.1 经典反馈神经网络正向与反向传播公式推导 36
3.2.2 卷积神经网络正向与反向传播公式推导 38
3.3 激活、分类以及池化函数简介 45
3.3.1 别偷懒—激活函数是分割器 45
3.3.2 太多了，我只要一个—池化运算 49
3.3.3 全连接层详解 50
3.3.4 终的裁判—分类函数 52
3.3.5 每次都是一个新模型—随机失活层简介 54
3.4 本章小结 55
第4章 水晶球的秘密—信息熵、决策树与交叉熵 56
4.1 水晶球的秘密 56
4.1.1 水晶球的秘密概述 57
4.1.2 决策树的算法基础—信息熵 57
4.1.3 决策树的算法基础—ID3算法 59
4.2 信息熵重要的应用—交叉熵 60
4.2.1 交叉熵基本原理详解 61
4.2.2 交叉熵的表述 63
4.2.3 把无用的利用起来—交叉熵的改进1（你想做科研吗？） 64
4.2.4 交叉熵的作用与改进—解决正负样本数量差异过大 66
4.2.5 交叉熵的作用与改进—解决样本的难易分类 68
4.2.6 统一后的交叉熵 68
4.3 本章小结 69
第5章 Mission Impossible！—把不可能变成可能的机器学习 70
5.1 机器学习基本分类 71
5.1.1 应用学科的分类 71
5.1.2 学习模式的分类 72
5.1.3 应用领域的分类 72
5.2 机器学习基本算法 73
5.2.1 机器学习的算法流程 73
5.2.2 基本算法的分类 74
5.3 算法的理论基础 75
5.3.1 小学生的故事—求圆的面积 76
5.3.2 机器学习基础理论—函数逼近 76
5.4 回归算法 77
5.4.1 函数逼近经典算法—线性回归算法 78
5.4.2 逻辑回归不是回归—逻辑回归算法 79
5.5 本章小结 80
第6章 书中自有黄金屋—横扫股市的时间序列模型 81
6.1 长短期记忆网络 81
6.1.1 Hochreiter & Schmidhuber和LSTM 82
6.1.2 循环神经网络与长短期记忆网络 83
6.1.3 LSTM的“处理单元”详解 85
6.1.4 LSTM的实现与股市预测 87
6.2 LSTM的研究发展与应用 90
6.2.1 LSTM的研究发展 91
6.2.2 LSTM的应用前景 92
6.3 本章小结 93
第7章 书中自有颜如玉—GAN is a girl 94
7.1 GAN的工作原理详解 94
7.1.1 生成器与判别器共同构成一个GAN 95
7.1.2 GAN是怎么工作的 96
7.2 GAN的数学原理详解 97
7.2.1 GAN的损失函数 97
7.2.2 生成器的数学原理—相对熵简介 98
7.2.3 GAN的应用前景 99
7.3 本章小结 103
第8章 休息一下，让我们玩一把TensorFlow 104
8.1 TensorFlow游乐场 104
8.1.1 让我们一起来玩吧 104
8.1.2 TensorFlow游乐场背后的故事 108
8.1.3 如何训练神经网络 109
8.2 你好，TensorFlow 110
8.2.1 TensorFlow名称的解释 110
8.2.2 TensorFlow基本概念 111
8.2.3 TensorFlow基本架构 113
8.3 本章小结 114
第9章 你喜欢什么我全知道—推荐系统的原理 115
9.1 传统方法的推荐系统 115
9.1.1 基于内容的推荐算法 116
9.1.2 多种相似度的计算方法 116
9.1.3 基于内容推荐算法的数学原理—以文档特征提取的TF-IDF为例 120
9.1.4 基于协同过滤的推荐算法 122
9.2 基于深度学习的推荐系统 127
9.2.1 基于模型的推荐算法 127
9.2.2 基于用户画像的推荐算法 128
9.2.3 基于深度学习推荐系统的总结 129
9.3 本章小结 130
第10章 整齐划一画个龙—深度学习中的归一化、正则化与初始化 131
10.1 常用的数据归一化方法 131
10.1.1 数据归一化的作用 132
10.1.2 几种常用的数据归一化 133
10.2 不那么深的深度学习模型的正则化方法 134
10.2.1 “浅度”学习中的正则化 135
10.2.2 关于过拟合问题的解决 136
10.2.3 批量归一化详解 138
10.2.4 深度学习中的随机失活 143
10.2.5 深度学习中的初始化 143
10.3 本章小结 145
第11章 众里寻她千百度—人脸识别的前世今生 146
11.1 人脸识别简介 147
11.1.1 人脸识别的发展历程 147
11.1.2 人脸识别的一般方法 148
11.1.3 人脸识别的通用流程 149
11.2 基于深度学习的人脸识别 151
11.2.1 基于深度学习的人脸识别简介 152
11.2.2 用于深度学习的人脸识别数据集 154
11.2.3 基于深度学习的人脸识别模型 157
11.3 人脸识别中的softmax激活函数 162
11.3.1 softmax基本原理详解 162
11.3.2 AMsoftmax基本原理详解 163
11.3.3 softmax的一些改进 165
11.4 本章小结 166
第12章 梅西-阿根廷 意大利=？—有趣的词嵌入向量 167
12.1 文本数据处理 168
12.1.1 数据集和数据清洗 168
12.1.2 停用词的使用 170
12.1.3 词向量训练模型word2vec的使用 173
12.1.4 文档主题的提取：基于TF-IDF 176
12.1.5 文档主题的提取：基于TextRank（选学） 180
12.2 更多的词嵌入向量方法—fastText和预训练词向量 183
12.2.1 fastText的原理与基础算法 183
12.2.2 使用fastText训练词嵌入向量 185
12.2.3 使用其他预训练参数（中文） 190
12.3 针对文本的卷积神经网络模型—字符卷积 191
12.3.1 字符（非单词）文本的处理 191
12.3.2 卷积神经网络文档分类模型的实现—conv1d（一维卷积） 198
12.4 针对文档的卷积神经网络模型—词卷积 200
12.4.1 单词的文本处理 201
12.4.2 卷积神经网络文档分类模型的实现—conv2d（二维卷积） 203
12.5 使用卷积对文档分类的补充内容 206
12.5.1 中文的文本处理 206
12.5.2 其他细节 209
12.6 本章小结 210
显示部分信息
1.1 人类的视觉 1
1.1.1 人类视觉神经的启迪 1
1.1.2 计算机视觉的难点与人工神经网络 2
1.1.3 应用深度学习解决计算机视觉问题 3
1.2 计算机视觉学习的基础与研究方向 4
1.2.1 学习计算机视觉结构图 4
1.2.2 计算机视觉的学习方式和未来趋势 5
1.3 本章小结 6
第2章 道士下山—故事的开始 7
2.1 BP神经网络简介 7
2.2 BP神经网络的两个基础算法详解 11
2.2.1 小二乘法 11
2.2.2 梯度下降法 13
2.3 反馈神经网络反向传播算法 16
2.3.1 深度学习基础 16
2.3.2 链式求导法则 17
2.3.3 反馈神经网络原理与公式推导 18
2.3.4 反馈神经网络原理的激活函数 23
2.3.5 反馈神经网络原理的Python实现 24
2.4 本章小结 29
第3章 猫还是狗—深度学习中的卷积与其他函数 30
3.1 卷积运算基本概念 30
3.1.1 卷积运算 31
3.1.2 卷积核 33
3.1.3 卷积神经网络原理 33
3.2 卷积神经网络公式推导 35
3.2.1 经典反馈神经网络正向与反向传播公式推导 36
3.2.2 卷积神经网络正向与反向传播公式推导 38
3.3 激活、分类以及池化函数简介 45
3.3.1 别偷懒—激活函数是分割器 45
3.3.2 太多了，我只要一个—池化运算 49
3.3.3 全连接层详解 50
3.3.4 终的裁判—分类函数 52
3.3.5 每次都是一个新模型—随机失活层简介 54
3.4 本章小结 55
第4章 水晶球的秘密—信息熵、决策树与交叉熵 56
4.1 水晶球的秘密 56
4.1.1 水晶球的秘密概述 57
4.1.2 决策树的算法基础—信息熵 57
4.1.3 决策树的算法基础—ID3算法 59
4.2 信息熵重要的应用—交叉熵 60
4.2.1 交叉熵基本原理详解 61
4.2.2 交叉熵的表述 63
4.2.3 把无用的利用起来—交叉熵的改进1（你想做科研吗？） 64
4.2.4 交叉熵的作用与改进—解决正负样本数量差异过大 66
4.2.5 交叉熵的作用与改进—解决样本的难易分类 68
4.2.6 统一后的交叉熵 68
4.3 本章小结 69
第5章 Mission Impossible！—把不可能变成可能的机器学习 70
5.1 机器学习基本分类 71
5.1.1 应用学科的分类 71
5.1.2 学习模式的分类 72
5.1.3 应用领域的分类 72
5.2 机器学习基本算法 73
5.2.1 机器学习的算法流程 73
5.2.2 基本算法的分类 74
5.3 算法的理论基础 75
5.3.1 小学生的故事—求圆的面积 76
5.3.2 机器学习基础理论—函数逼近 76
5.4 回归算法 77
5.4.1 函数逼近经典算法—线性回归算法 78
5.4.2 逻辑回归不是回归—逻辑回归算法 79
5.5 本章小结 80
第6章 书中自有黄金屋—横扫股市的时间序列模型 81
6.1 长短期记忆网络 81
6.1.1 Hochreiter & Schmidhuber和LSTM 82
6.1.2 循环神经网络与长短期记忆网络 83
6.1.3 LSTM的“处理单元”详解 85
6.1.4 LSTM的实现与股市预测 87
6.2 LSTM的研究发展与应用 90
6.2.1 LSTM的研究发展 91
6.2.2 LSTM的应用前景 92
6.3 本章小结 93
第7章 书中自有颜如玉—GAN is a girl 94
7.1 GAN的工作原理详解 94
7.1.1 生成器与判别器共同构成一个GAN 95
7.1.2 GAN是怎么工作的 96
7.2 GAN的数学原理详解 97
7.2.1 GAN的损失函数 97
7.2.2 生成器的数学原理—相对熵简介 98
7.2.3 GAN的应用前景 99
7.3 本章小结 103
第8章 休息一下，让我们玩一把TensorFlow 104
8.1 TensorFlow游乐场 104
8.1.1 让我们一起来玩吧 104
8.1.2 TensorFlow游乐场背后的故事 108
8.1.3 如何训练神经网络 109
8.2 你好，TensorFlow 110
8.2.1 TensorFlow名称的解释 110
8.2.2 TensorFlow基本概念 111
8.2.3 TensorFlow基本架构 113
8.3 本章小结 114
第9章 你喜欢什么我全知道—推荐系统的原理 115
9.1 传统方法的推荐系统 115
9.1.1 基于内容的推荐算法 116
9.1.2 多种相似度的计算方法 116
9.1.3 基于内容推荐算法的数学原理—以文档特征提取的TF-IDF为例 120
9.1.4 基于协同过滤的推荐算法 122
9.2 基于深度学习的推荐系统 127
9.2.1 基于模型的推荐算法 127
9.2.2 基于用户画像的推荐算法 128
9.2.3 基于深度学习推荐系统的总结 129
9.3 本章小结 130
第10章 整齐划一画个龙—深度学习中的归一化、正则化与初始化 131
10.1 常用的数据归一化方法 131
10.1.1 数据归一化的作用 132
10.1.2 几种常用的数据归一化 133
10.2 不那么深的深度学习模型的正则化方法 134
10.2.1 “浅度”学习中的正则化 135
10.2.2 关于过拟合问题的解决 136
10.2.3 批量归一化详解 138
10.2.4 深度学习中的随机失活 143
10.2.5 深度学习中的初始化 143
10.3 本章小结 145
第11章 众里寻她千百度—人脸识别的前世今生 146
11.1 人脸识别简介 147
11.1.1 人脸识别的发展历程 147
11.1.2 人脸识别的一般方法 148
11.1.3 人脸识别的通用流程 149
11.2 基于深度学习的人脸识别 151
11.2.1 基于深度学习的人脸识别简介 152
11.2.2 用于深度学习的人脸识别数据集 154
11.2.3 基于深度学习的人脸识别模型 157
11.3 人脸识别中的softmax激活函数 162
11.3.1 softmax基本原理详解 162
11.3.2 AMsoftmax基本原理详解 163
11.3.3 softmax的一些改进 165
11.4 本章小结 166
第12章 梅西-阿根廷 意大利=？—有趣的词嵌入向量 167
12.1 文本数据处理 168
12.1.1 数据集和数据清洗 168
12.1.2 停用词的使用 170
12.1.3 词向量训练模型word2vec的使用 173
12.1.4 文档主题的提取：基于TF-IDF 176
12.1.5 文档主题的提取：基于TextRank（选学） 180
12.2 更多的词嵌入向量方法—fastText和预训练词向量 183
12.2.1 fastText的原理与基础算法 183
12.2.2 使用fastText训练词嵌入向量 185
12.2.3 使用其他预训练参数（中文） 190
12.3 针对文本的卷积神经网络模型—字符卷积 191
12.3.1 字符（非单词）文本的处理 191
12.3.2 卷积神经网络文档分类模型的实现—conv1d（一维卷积） 198
12.4 针对文档的卷积神经网络模型—词卷积 200
12.4.1 单词的文本处理 201
12.4.2 卷积神经网络文档分类模型的实现—conv2d（二维卷积） 203
12.5 使用卷积对文档分类的补充内容 206
12.5.1 中文的文本处理 206
12.5.2 其他细节 209
12.6 本章小结 210
显示部分信息
