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 神經網絡與深度學習 010
2.1 人腦神經網絡 013
2.2 人工神經網絡 015
2.2.1 感知器 017
2.2.2 單層神經網絡 019
2.2.3 多層神經網絡 027
2.2.4 激活函數 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的關系 045
3.1.2 TensorFlow 1.x與2.x的區(qū)別 046
3.2 TensorFlow基礎 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的深度學習建模構建 070
3.3.1 建模目的 070
3.3.2 數據處理 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 096
3.4 基于TensorFlow的手寫數字識別 099
3.4.1 數據簡介 099
3.4.2 數據處理 103
3.4.3 模型搭建 106
3.4.4 模型調優(yōu) 108
3.4.5 總結 114
第4章 卷積神經網絡 115
4.1 什么是卷積神經網絡 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 數據增強 129
4.8 典型卷積神經網絡算法 132
4.8.1 LeNet-5網絡 132
4.8.2 AlexNet 133
4.8.3 VGG16 134
4.9 卷積神經網絡案例 136
4.9.1 數據簡介 136
4.9.2 數據處理 136
4.9.3 模型搭建 138
4.9.4 總結 140
第5章 循環(huán)神經網絡 143
5.1 什么是循環(huán)神經網絡 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)神經網絡 153
5.4 深度循環(huán)神經網絡案例 154
5.4.1 準備操作 154
5.4.2 數據簡介 154
5.4.3 數據處理 155
5.4.4 網絡模型搭建 157
5.4.5 模型訓練 159
5.4.6 小結 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 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 數據處理 173
6.6.3 網絡模型搭建 173
6.6.4 模型訓練 175
6.6.5 微調 175
6.6.6 小結 176