《Python深度学习：模型、方法与实现》源代码,配书资源

本书集合了基于应用领域的高级深度学习的模型、方法和实现。本书分为四部分。

第1部分介绍了深度学习的构建和神经网络背后的数学知识。

第二部分讨论深度学习在计算机视觉领域的应用。

第三部分阐述了自然语言和序列处理。讲解了使用神经网络提取复杂的单词向量表示。讨论了各种类型的循环网络，如长短期记忆网络和门控循环单元网络。

第四部分介绍一些虽然还没有被广泛采用但有前途的深度学习技术，包括如何在自动驾驶上应用深度学习。学完本书，读者将掌握与深度学习相关的关键概念，学会如何使用TensorFlow和PyTorch实现相应的AI解决方案。

封面图

目录

• 译者序
• 前言
• 作者简介
• 审校者简介
• 第一部分核心概念
• 第1章神经网络的具体细节2
• 1.1神经网络的数学基础2
• 1.1.1线性代数2
• 1.1.2概率介绍6
• 1.1.3微分学16
• 1.2神经网络的简单介绍18
• 1.2.1神经元18
• 1.2.2层的运算19
• 1.2.3神经网络21
• 1.2.4激活函数22
• 1.2.5通用逼近定理25
• 1.3训练神经网络27
• 1.3.1梯度下降27
• 1.3.2代价函数28
• 1.3.3反向传播30
• 1.3.4权重初始化32
• 1.3.5SGD改进33
• 1.4总结35
• 第二部分计算机视觉
• 第2章理解卷积网络38
• 2.1理解CNN38
• 2.1.1卷积类型43
• 2.1.2提高CNN的效率46
• 2.1.3可视化CNN51
• 2.1.4CNN正则化54
• 2.2迁移学习介绍56
• 2.2.1使用PyTorch实现迁移学习57
• 2.2.2使用TensorFlow 2.0实现迁移学习62
• 2.3总结66
• 第3章高级卷积网络67
• 3.1AlexNet介绍67
• 3.2VGG介绍68
• 3.3理解残差网络70
• 3.4理解Inception网络78
• 3.4.1Inception v179
• 3.4.2Inception v2和v380
• 3.4.3Inception v4和InceptionResNet81
• 3.5Xception介绍82
• 3.6MobileNet介绍83
• 3.7DenseNet介绍85
• 3.8神经架构搜索的工作原理87
• 3.9胶囊网络介绍91
• 3.9.1卷积网络的局限性91
• 3.9.2胶囊92
• 3.9.3胶囊网络的结构94
• 3.10总结95
• 第4章对象检测与图像分割96
• 4.1对象检测介绍96
• 4.1.1对象检测的方法96
• 4.1.2使用YOLO v3进行对象检测98
• 4.1.3使用Faster RCNN进行对象检测104
• 4.2图像分割介绍110
• 4.2.1使用UNet进行语义分割110
• 4.2.2使用Mask RCNN进行实例分割112
• 4.3总结115
• 第5章生成模型116
• 5.1生成模型的直觉和证明116
• 5.2VAE介绍117
• 5.3GAN介绍124
• 5.3.1训练GAN125
• 5.3.2实现GAN128
• 5.3.3训练GAN的缺陷129
• 5.4GAN的类型129
• 5.4.1DCGAN130
• 5.4.2CGAN135
• 5.4.3WGAN137
• 5.4.4使用CycleGAN实现图像到图像的转换142
• 5.5艺术风格迁移介绍150
• 5.6总结151
• 第三部分自然语言和序列处理
• 第6章语言建模154
• 6.1理解ngram154
• 6.2神经语言模型介绍156
• 6.2.1神经概率语言模型157
• 6.2.2word2vec158
• 6.2.3GloVe模型161
• 6.3实现语言模型164
• 6.3.1训练嵌入模型164
• 6.3.2可视化嵌入向量166
• 6.4总结169
• 第7章理解RNN170
• 7.1RNN介绍170
• 7.2长短期记忆介绍180
• 7.3门控循环单元介绍187
• 7.4实现文本分类189
• 7.5总结193
• 第8章seq2seq模型和注意力机制194
• 8.1seq2seq模型介绍194
• 8.2使用注意力的seq2seq196
• 8.2.1Bahdanau Attention196
• 8.2.2Luong Attention199
• 8.2.3一般注意力200
• 8.2.4使用注意力实现seq2seq201
• 8.3理解transformer207
• 8.3.1transformer注意力207
• 8.3.2transformer模型210
• 8.3.3实现transformer212
• 8.4transformer语言模型219
• 8.4.1基于transformer的双向编码器表示219
• 8.4.2transformerXL224
• 8.4.3XLNet227
• 8.4.4使用transformer语言模型生成文本230
• 8.5总结231
• 第四部分展望未来
• 第9章新兴的神经网络设计234
• 9.1GNN介绍234
• 9.1.1循环GNN236
• 9.1.2卷积图神经网络238
• 9.1.3图自编码器244
• 9.1.4神经图学习246
• 9.2记忆增强神经网络介绍251
• 9.2.1神经图灵机251
• 9.2.2MANN*256
• 9.3总结257
• 第10章元学习258
• 10.1元学习介绍258
• 10.1.1零样本学习259
• 10.1.2单样本学习260
• 10.1.3元训练和元测试261
• 10.2基于度量的元学习262
• 10.2.1为单样本学习匹配网络263
• 10.2.2孪生网络264
• 10.2.3原型网络267
• 10.3基于优化的元学习269
• 10.4总结274
• 第11章自动驾驶汽车的深度学习275
• 11.1自动驾驶汽车介绍275
• 11.1.1自动驾驶汽车研究简史275
• 11.1.2自动化的级别277
• 11.2自动驾驶汽车系统的组件278
• 11.2.1环境感知280
• 11.2.2路径规划282
• 11.33D数据处理介绍282
• 11.4模仿驾驶策略285
• 11.5ChauffeurNet驾驶策略294
• 11.5.1输入/输出表示294
• 11.5.2模型架构296
• 11.5.3训练297
• 11.6总结300