第1章 深度學習簡介 001
1.1 深度學習的起源與發(fā)展 001
1.2 深度學習的定義 004
1.3 深度學習的優(yōu)勢 005
1.4 深度學習的應用 006
1.5 深度學習的主流框架 007
1.5.1 TensorFlow 007
1.5.2 Pytorch 008
1.5.3 Deeplearning4j(DL4J) 008
第2章 神經(jīng)網(wǎng)絡(luò)與深度學習 010
2.1 人腦神經(jīng)網(wǎng)絡(luò) 013
2.2 人工神經(jīng)網(wǎng)絡(luò) 015
2.2.1 感知器 017
2.2.2 單層神經(jīng)網(wǎng)絡(luò) 019
2.2.3 多層神經(jīng)網(wǎng)絡(luò) 027
2.2.4 激活函數(shù) 037
2.3 走向深度學習 039
第3章 TensorFlow環(huán)境使用 043
3.1 TensorFlow 簡介 044
3.1.1 TensorFlow與Keras的關(guān)系 045
3.1.2 TensorFlow 1.x與2.x的區(qū)別 046
3.2 TensorFlow基礎(chǔ) 049
3.2.1 張量 050
3.2.2 變量 064
3.2.3 計算圖 066
3.3 基于TensorFlow的深度學習建模構(gòu)建 070
3.3.1 建模目的 070
3.3.2 數(shù)據(jù)處理 071
3.3.3 模型搭建 080
3.3.4 模型編譯 085
3.3.5 模型訓練 091
3.3.6 模型驗證 093
3.3.7 模型保存 096
3.3.8 小結(jié) 096
3.4 基于TensorFlow的手寫數(shù)字識別 099
3.4.1 數(shù)據(jù)簡介 099
3.4.2 數(shù)據(jù)處理 103
3.4.3 模型搭建 106
3.4.4 模型調(diào)優(yōu) 108
3.4.5 總結(jié) 114
第4章 卷積神經(jīng)網(wǎng)絡(luò) 115
4.1 什么是卷積神經(jīng)網(wǎng)絡(luò) 115
4.2 輸入層 116
4.3 卷積層 117
4.3.1 填充 118
4.3.2 步幅 125
4.4 池化層 126
4.5 全連接層 127
4.6 Dropout 128
4.7 數(shù)據(jù)增強 129
4.8 典型卷積神經(jīng)網(wǎng)絡(luò)算法 132
4.8.1 LeNet-5網(wǎng)絡(luò) 132
4.8.2 AlexNet 133
4.8.3 VGG16 134
4.9 卷積神經(jīng)網(wǎng)絡(luò)案例 136
4.9.1 數(shù)據(jù)簡介 136
4.9.2 數(shù)據(jù)處理 136
4.9.3 模型搭建 138
4.9.4 總結(jié) 140
第5章 循環(huán)神經(jīng)網(wǎng)絡(luò) 143
5.1 什么是循環(huán)神經(jīng)網(wǎng)絡(luò) 143
5.2 長短期記憶和門控循環(huán)單元 145
5.2.1 長短期記憶（LSTM） 145
5.2.2 門控循環(huán)單元（GRU） 149
5.3 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 153
5.4 深度循環(huán)神經(jīng)網(wǎng)絡(luò)案例 154
5.4.1 準備操作 154
5.4.2 數(shù)據(jù)簡介 154
5.4.3 數(shù)據(jù)處理 155
5.4.4 網(wǎng)絡(luò)模型搭建 157
5.4.5 模型訓練 159
5.4.6 小結(jié) 161
第6章 遷移學習 167
6.1 什么是遷移學習 167
6.2 遷移學習的工作原理 168
6.3 遷移學習的優(yōu)勢 169
6.4 遷移學習的方法 170
6.5 微調(diào) 171
6.6 利用遷移學習對花進行分類 171
6.6.1 準備操作 172
6.6.2 數(shù)據(jù)處理 173
6.6.3 網(wǎng)絡(luò)模型搭建 173
6.6.4 模型訓練 175
6.6.5 微調(diào) 175
6.6.6 小結(jié) 176