第1章 深度学习 1
1.1 深度神经网络的数学基础 1
1.1.1 感知机——门控线性回归 2
1.1.2 多层感知机 5
1.1.3 卷积和池化 5
1.1.4 激活函数 7
1.2 深度神经网络的训练 11
1.2.1 损失函数的重要性 12
1.2.2 正则化 12
1.2.3 反向传播算法 13
1.2.4 优化方法 13
1.3 本章小结 14
第2章 神经网络架构 15
2.1 卷积神经网络 15
2.1.1 AlexNet 16
2.1.2 GoogLeNet 17
2.1.3 ResNet 18
2.1.4 SqueezeNet 19
2.2 循环神经网络 22
2.2.1 LSTM 23
2.2.2 GRU 24
2.3 深度强化学习 25
2.4 本章小结 28
第3章 JavaScript深度学习框架 29
3.1 TensorFlow.js 29
3.1.1 TensorFlow.js介绍 30
3.1.2 XOR问题 30
3.1.3 解决XOR问题 32
3.1.4 网络架构 37
3.1.5 张量 39
3.1.6 张量操作 40
3.1.7 模型训练 43
3.1.8 TensorFlow.js的生态 46
3.2 WebDNN 48
3.3 Keras.js 51
3.4 本章小结 52
第4章 深度学习的JavaScript基础 53
4.1 JavaScript中的TypedArray 53
4.1.1 ArrayBuffer 55
4.1.2 DataView 56
4.2 JavaScript中的并发 58
4.2.1 JavaScript的事件循环 58
4.2.2 用Promise创建一个异步函数 59
4.2.3 使用新的async/await语法 61
4.2.4 多线程使用WebWorker 64
4.2.5 深度学习应用程序的处理循环 66
4.3 在CPU/GPU上加载资源 66
4.3.1 Fetch API 67
4.3.2 标签编码 69
4.3.3 one-hot编码 69
4.4 本章小结 70
第5章 基于WebGL的GPU加速 73
5.1 WebGL基础 74
5.1.1 WebGL工作流程 76
5.1.2 片段着色器渲染 78
5.2 WebGL实现常规计算 85
5.2.1 调试WebGL 86
5.2.2 渲染纹理 87
5.2.3 精度重要性 92
5.2.4 优化器 94
5.2.5 GLSL开发 95
5.2.6 浮点型的特殊性 95
5.2.7 从CPU流向GPU，反之亦然 99
5.3 使用纹理和着色器的矩阵计算 101
5.3.1 标准的矩阵加法 101
5.3.2 标准的矩阵乘法 102
5.3.3 激活函数应用 103
5.3.4 运用WGLMatrix库 104
5.4 手写数字识别应用 105
5.4.1 数据编码 105
5.4.2 内存优化 105
5.4.3 前向传播 107
5.4.4 第一次尝试 107
5.4.5 优化性能 108
5.5 本章小结 109
第6章 从浏览器中提取数据 111
6.1 加载图像数据 112
6.1.1 从图像中提取像素 112
6.1.2 加载远程资源 114
6.1.3 获取二进制块 116
6.2 将像素数据渲染到屏幕上 117
6.2.1 显示图片 118
6.2.2 将像素数据渲染到画布 119
6.2.3 插值图像数据 122
6.2.4 在画布上绘制形状 124
6.3 访问相机、麦克风和扬声器 126
6.3.1 从网络摄像头捕获图像 126
6.3.2 用麦克风录音 128
6.3.3 加载、解码和播放声音 130
6.4 深度学习框架中的实用工具 131
6.4.1 TensorFlow.js 131
6.4.2 Keras.js 133
6.4.3 WebDNN 133
6.5 本章小结 135
第7章 高级数据操作的方法 137
7.1 反序列化Protobuf 138
7.1.1 解析Caffe模型参数 139
7.1.2 解析TensorFlow图 141
7.1.3 浮点精度的注意事项 142
7.2 用Chart.js绘制图表 143
7.2.1 探索不同的图表类型 144
7.2.2 配置数据集 146
7.2.3 更新值 147
7.2.4 选项和配置概述 150
7.3 用画布画草图 153
7.3.1 在画布上绘图 154
7.3.2 提取笔画 158
7.4 从麦克风计算频谱图 159
7.5 人脸检测与跟踪 162
7.5.1 用Jeeliz FaceFilter跟踪人脸 162
7.5.2 使用tracking.js跟踪人脸 163
7.5.3 Chrome中人脸检测的原生支持 165
7.6 本章小结 167
第8章 基于TensorFlow.js构建应用 169
8.1 TensorFlow.js实现手势识别 169
8.1.1 算法解说 170
8.1.2 TensorFlow.js项目准备 171
8.1.3 实例化KNN图像分类器 172
8.1.4 TensorFlow.js迭代训练 173
8.1.5 小结 176
8.2 TensorFlow.js实现文本生成 176
8.2.1 算法解说 176
8.2.2 Keras模型 177
8.2.3 将Keras模型转换为TensorFlow.js模型 178
8.2.4 项目准备 178
8.2.5 在TensorFlow.js中导入Keras模型 179
8.2.6 TensorFlow.js迭代训练 179
8.2.7 构造模型输入 181
8.2.8 模型预测 183
8.2.9 模型输出抽样 184
8.2.10 小结 186
8.3 TensorFlow.js实现图像降噪 186
8.3.1 算法解说 187
8.3.2 将Keras模型转换为TensorFlow.js模型 188
8.3.3 项目准备 189
8.3.4 初始化 190
8.3.5 应用流程 190
8.3.6 加载测试数字图片 191
8.3.7 更新噪声 193
8.3.8 生成变形图片 194
8.3.9 图片降噪 195
8.3.10 初始化函数 196
8.3.11 小结 197
8.4 本章小结 197
8.5 最后结论 198