博文视点AI系列 深度学习之美 AI时代的数据处理与最佳实践PDF电子书下载

第1章 一入侯门“深”似海，深度学习深几许 1

1.1 深度学习的巨大影响 2

1.2 什么是学习 4

1.3 什么是机器学习 4

1.4 机器学习的4个象限 5

1.5 什么是深度学习 6

1.6 “恋爱”中的深度学习 7

1.7 深度学习的方法论 9

1.8 有没有浅层学习 13

1.9 本章小结 14

1.10 请你思考 14

参考资料 14

第2章 人工“碳”索意犹尽，智能“硅”来未可知 16

2.1 信数据者得永生吗 17

2.2 人工智能的“江湖定位” 18

2.3 深度学习的归属 19

2.4 机器学习的形式化定义 21

2.5 为什么要用神经网络 24

2.6 人工神经网络的特点 26

2.7 什么是通用近似定理 27

2.8 本章小结 31

2.9 请你思考 31

参考资料 31

第3章 “机器学习”三重门，“中庸之道”趋若人 33

3.1 监督学习 34

3.1.1 感性认知监督学习 34

3.1.2 监督学习的形式化描述 35

3.1.3 k-近邻算法 37

3.2 非监督学习 39

3.2.1 感性认识非监督学习 39

3.2.2 非监督学习的代表——K均值聚类 41

3.3 半监督学习 45

3.4 从“中庸之道”看机器学习 47

3.5 强化学习 49

3.6 本章小结 52

3.7 请你思考 53

参考资料 53

第4章 人生苦短对酒歌，我用Python乐趣多 55

4.1 Python概要 56

4.1.1 为什么要用Python 56

4.1.2 Python中常用的库 58

4.2 Python的版本之争 61

4.3 Python环境配置 65

4.3.1 Windows下的安装与配置 65

4.3.2 Mac下的安装与配置 72

4.4 Python编程基础 76

4.4.1 如何运行Python代码 77

4.4.2 代码缩进 79

4.4.3 注释 80

4.4.4 Python中的数据结构 81

4.4.5 函数的设计 93

4.4.6 模块的导入与使用 101

4.4.7 面向对象程序设计 102

4.5 本章小结 112

4.6 请你思考 112

参考资料 113

第5章 机器学习终觉浅，Python带我来实践 114

5.1 线性回归 115

5.1.1 线性回归的概念 115

5.1.2 简易线性回归的Python实现详解 119

5.2 k-近邻算法 139

5.2.1 k-近邻算法的三个要素 140

5.2.2 k-近邻算法实战 143

5.2.3 使用scikit-learn实现k-近邻算法 155

5.3 本章小结 162

5.4 请你思考 162

参考资料 162

第6章 神经网络不胜语，M-P模型似可寻 164

6.1 M-P神经元模型是什么 165

6.2 模型背后的那些人和事 167

6.3 激活函数是怎样的一种存在 175

6.4 什么是卷积函数 176

6.5 本章小结 177

6.6 请你思考 178

参考资料 178

第7章 Hello World感知机，懂你我心才安息 179

7.1 网之初，感知机 180

7.2 感知机名称的由来 180

7.3 感性认识“感知机” 183

7.4 感知机是如何学习的 185

7.5 感知机训练法则 187

7.6 感知机的几何意义 190

7.7 基于Python的感知机实战 191

7.8 感知机的表征能力 196

7.9 本章小结 199

7.10 请你思考 199

参考资料 199

第8章 损失函数减肥用，神经网络调权重 201

8.1 多层网络解决“异或”问题 202

8.2 感性认识多层前馈神经网络 205

8.3 是浅而“胖”好，还是深而“瘦”佳 209

8.4 分布式特征表达 210

8.5 丢弃学习与集成学习 211

8.6 现实很丰满，理想很骨感 212

8.7 损失函数的定义 213

8.8 热力学定律与梯度弥散 215

8.9 本章小结 216

8.10 请你思考 216

参考资料 217

第9章 山重水复疑无路，最快下降问梯度 219

9.1 “鸟飞派”还飞不 220

9.2 1986年的那篇神作 221

9.3 多层感知机网络遇到的大问题 222

9.4 神经网络结构的设计 225

9.5 再议损失函数 227

9.6 什么是梯度 229

9.7 什么是梯度递减 231

9.8 梯度递减的线性回归实战 235

9.9 什么是随机梯度递减 238

9.10 利用SGD解决线性回归实战 240

9.11 本章小结 247

9.12 请你思考 248

参考资料 248

第10章 BP算法双向传，链式求导最缠绵 249

10.1 BP算法极简史 250

10.2 正向传播信息 251

10.3 求导中的链式法则 255

10.4 误差反向传播 264

10.4.1 基于随机梯度下降的BP算法 265

10.4.2 输出层神经元的权值训练 267

10.4.3 隐含层神经元的权值训练 270

10.4.4 BP算法的感性认知 273

10.4.5 关于BP算法的补充说明 278

10.5 BP算法实战详细解释 280

10.5.1 初始化网络 280

10.5.2 信息前向传播 282

10.5.3 误差反向传播 285

10.5.4 训练网络（解决异或问题） 288

10.5.5 利用BP算法预测小麦品种的分类 293

10.6 本章小结 301

10.7 请你思考 302

参考资料 304

第11章 一骑红尘江湖笑，TensorFlow谷歌造 305

11.1 TensorFlow概述 306

11.2 深度学习框架比较 309

11.2.1 Theano 309

11.2.2 Keras 310

11.2.3 Caffe 311

11.2.4 PyTorch 312

11.3 TensorFlow的安装 313

11.3.1 Anaconda的安装 313

11.3.2 TensorFlow的CPU版本安装 315

11.3.3 TensorFlow的源码编译 323

11.4 Jupyter Notebook的使用 331

11.4.1 Jupyter Notebook的由来 331

11.4.2 Jupyter Notebook的安装 333

11.5 TensorFlow中的基础语法 337

11.5.1 什么是数据流图 338

11.5.2 构建第一个TensorFlow数据流图 339

11.5.3 可视化展现的TensorBoard 342

11.5.4 TensorFlow的张量思维 346

11.5.5 TensorFlow中的数据类型 348

11.5.6 TensorFlow中的操作类型 353

11.5.7 TensorFlow中的Graph对象 356

11.5.8 TensorFlow中的Session 358

11.5.9 TensorFlow中的placeholder 361

11.5.10 TensorFlow中的Variable对象 363

11.5.11 TensorFlow中的名称作用域 365

11.5.12 张量的Reduce方向 367

11.6 手写数字识别MNIST 372

11.6.1 MNIST数据集简介 373

11.6.2 MNIST数据的获取与预处理 375

11.6.3 分类模型的构建——Softmax Regression 378

11.7 TensorFlow中的Eager执行模式 394

11.7.1 Eager执行模式的背景 394

11.7.2 Eager执行模式的安装 395

11.7.3 Eager执行模式的案例 395

11.7.4 Eager执行模式的MNIST模型构建 398

11.8 本章小结 401

11.9 请你思考 402

参考资料 403

第12章 全面连接困何处，卷积网络显神威 404

12.1 卷积神经网络的历史 405

12.1.1 眼在何方？路在何方？ 405

12.1.2 卷积神经网络的历史脉络 406

12.1.3 那场著名的学术赌局 410

12.2 卷积神经网络的概念 412

12.2.1 卷积的数学定义 412

12.2.2 生活中的卷积 413

12.3 图像处理中的卷积 414

12.3.1 计算机“视界”中的图像 414

12.3.2 什么是卷积核 415

12.3.3 卷积在图像处理中的应用 418

12.4 卷积神经网络的结构 420

12.5 卷积层要义 422

12.5.1 卷积层的设计动机 422

12.5.2 卷积层的局部连接 427

12.5.3 卷积层的3个核心概念 428

12.6 细说激活层 434

12.6.1 两个看似闲扯的问题 434

12.6.2 追寻问题的本质 435

12.6.3 ReLU的理论基础 437

12.6.4 ReLU的不足之处 441

12.7 详解池化层 442

12.8 勿忘全连接层 445

12.9 本章小结 446

12.10 请你思考 447

参考资料 448

第13章 纸上谈兵终觉浅，绝知卷积要编程 450

13.1 TensorFlow的CNN架构 451

13.2 卷积层的实现 452

13.2.1 TensorFlow中的卷积函数 452

13.2.2 图像处理中的常用卷积核 456

13.3 激活函数的使用 460

13.3.1 Sigmoid函数 460

13.3.2 Tanh函数 461

13.3.3 修正线性单元——ReLU 462

13.3.4 Dropout函数 462

13.4 池化层的实现 466

13.5 规范化层 470

13.5.1 为什么需要规范化 470

13.5.2 局部响应规范化 472

13.5.3 批规范化 475

13.6 卷积神经网络在MNIST分类器中的应用 480

13.6.1 数据读取 480

13.6.2 初始化权值和偏置 480

13.6.3 卷积和池化 482

13.6.4 构建第一个卷积层 482

13.6.5 构建第二个卷积层 483

13.6.6 实现全连接层 484

13.6.7 实现Dropout层 485

13.6.8 实现Readout层 485

13.6.9 参数训练与模型评估 485

13.7 经典神经网络——AlexNet的实现 488

13.7.1 AlexNet的网络架构 488

13.7.2 数据读取 490

13.7.3 初始化权值和偏置 491

13.7.4 卷积和池化 491

13.7.5 局部响应归一化层 492

13.7.6 构建卷积层 492

13.7.7 实现全连接层和Dropout层 493

13.7.8 实现Readout层 494

13.7.9 参数训练与模型评估 494

13.8 本章小结 495

13.9 请你思考 496

参考资料 496

第14章 循环递归RNN，序列建模套路深 498

14.1 你可能不具备的一种思维 499

14.2 标准神经网络的缺陷所在 501

14.3 RNN简史 502

14.3.1 Hopfield网络 503

14.3.2 Jordan递归神经网络 504

14.3.3 Elman递归神经网络 505

14.3.4 RNN的应用领域 506

14.4 RNN的理论基础 506

14.4.1 Elman递归神经网络 506

14.4.2 循环神经网络的生物学机理 508

14.5 RNN的结构 509

14.6 循环神经网络的训练 512

14.6.1 问题建模 512

14.6.2 确定优化目标函数 513

14.6.3 参数求解 513

14.7 基于RNN的TensorFlow实战——正弦序列预测 514

14.7.1 生成数据 516

14.7.2 定义权值和偏置 517

14.7.3 前向传播 519

14.7.4 定义损失函数 522

14.7.5 参数训练与模型评估 522

14.8 本章小结 524

14.9 请你思考 524

参考资料 525

第15章 LSTM长短记，长序依赖可追忆 526

15.1 遗忘是好事还是坏事 527

15.2 施密德胡伯是何人 527

15.3 为什么需要LSTM 529

15.4 拆解LSTM 530

15.4.1 传统RNN的问题所在 530

15.4.2 改造的神经元 531

15.5 LSTM的前向计算 533

15.5.1 遗忘门 534

15.5.2 输入门 535

15.5.3 候选门 536

15.5.4 输出门 537

15.6 LSTM的训练流程 539

15.7 自然语言处理的一个假设 540

15.8 词向量表示方法 542

15.8.1 独热编码表示 543

15.8.2 分布式表示 545

15.8.3 词嵌入表示 547

15.9 自然语言处理的统计模型 549

15.9.1 NGram模型 549

15.9.2 基于神经网络的语言模型 550

15.9.3 基于循环神经网络的语言模型 553

15.9.4 LSTM语言模型的正则化 556

15.10 基于Penn Tree Bank的自然语言处理实战 560

15.10.1 下载及准备PTB数据集 561

15.10.2 导入基本包 562

15.10.3 定义相关的参数 562

15.10.4 语言模型的实现 563

15.10.5 训练并返回perplexity值 573

15.10.6 定义主函数并运行 575

15.10.7 运行结果 578

15.11 本章小结 579

15.12 请你思考 580

参考资料 580

第16章 卷积网络虽动人，胶囊网络更传“神” 583

16.1 从神经元到神经胶囊 584

16.2 卷积神经网络面临的挑战 584

16.3 神经胶囊的提出 588

16.4 神经胶囊理论初探 591

16.4.1 神经胶囊的生物学基础 591

16.4.2 神经胶囊网络的哲学基础 592

16.5 神经胶囊的实例化参数 594

16.6 神经胶囊的工作流程 598

16.6.1 神经胶囊向量的计算 598

16.6.2 动态路由的工作机理 600

16.6.3 判断多数字存在性的边缘损失函数 606

16.6.4 胶囊神经网络的结构 607

16.7 CapsNet的验证与实验 614

16.7.1 重构和预测效果 614

16.7.2 胶囊输出向量的维度表征意义 616

16.7.3 重叠图像的分割 617

16.8 神经胶囊网络的TensorFlow实现 618

16.8.1 导入基本包及读取数据集 619

16.8.2 图像输入 619

16.8.3 卷积层Convl的实现 619

16.8.4 PrimaryCaps层的实现 620

16.8.5 全连接层 622

16.8.6 路由协议算法 628

16.8.7 估计实体出现的概率 630

16.8.8 损失函数的实现 631

16.8.9 额外设置 639

16.8.10 训练和评估 640

16.8.11 运行结果 643

16.9 本章小结 644

16.10 请你思考 645

16.11 深度学习美在何处 646

参考资料 647

后记 648

索引 651