TensorFlow+PyTorch深度學習從算法到實戰(zhàn)

目 錄
緒論?程序員為什么要學習機器學習
0.1?工業(yè)革命級的技術(shù)紅利
0.2?中美兩國為機器學習作背書
0.3?從編程思維向數(shù)據(jù)思維的進化
第1章?30分鐘環(huán)境搭建速成
1.1?使用Anaconda搭建開發(fā)環(huán)境
1.2?使用Python自帶的開發(fā)環(huán)境
1.3?從源代碼搭建開發(fā)環(huán)境
第2章?深度學習5-4-6速成法
2.1?計算圖模型與計算框架
2.2?五步法構(gòu)造基本模型
2.3?案例教程
2.4?5-4-6速成法學習PyTorch
2.5?5-4-6速成法學習TensorFlow
2.6?在TensorFlow中使用Keras
2.7?本章小結(jié)
第3章?張量與計算圖
3.1?0維張量：標量
3.2?計算圖與流程控制
3.3?變量
第4章?向量與矩陣
4.1?1維張量：向量
4.2?2維張量：矩陣
4.3?n維：張量
第5章?高級矩陣編程
5.1?范數(shù)及其實現(xiàn)
5.2?跡運算
5.3?矩陣分解
第6章?優(yōu)化方法
6.1?梯度下降的基本原理
6.2?高維條件下的梯度下降
6.3?PyTorch和TensorFlow中的梯度計算
6.4?梯度下降案例教程
6.5?優(yōu)化方法進階
第7章?深度學習基礎(chǔ)
7.1?從回歸到分類
7.2?深度學習簡史
第8章?基礎(chǔ)網(wǎng)絡結(jié)構(gòu)：卷積網(wǎng)絡
8.1?卷積的原理與計算
8.2?池化層
8.3?激活函數(shù)
8.4?AlexNet
第9章?卷積網(wǎng)絡圖像處理進階
9.1?小卷積核改進VGGNet
9.2?GoogLeNet
9.3?殘差網(wǎng)絡
9.4?目標檢測
9.5?人臉識別
第10章?基礎(chǔ)網(wǎng)絡結(jié)構(gòu)：循環(huán)神經(jīng)網(wǎng)絡
10.1?循環(huán)神經(jīng)網(wǎng)絡原理
10.2?實用循環(huán)神經(jīng)網(wǎng)絡：LSTM
10.3?LSTM案例教程
10.4?實用循環(huán)神經(jīng)網(wǎng)絡：GRU
10.5?雙向循環(huán)神經(jīng)網(wǎng)絡
10.6?將隱藏狀態(tài)串聯(lián)起來
第11章?RNN在自然語言處理中的應用
11.1?文本編碼：從獨熱編碼到詞向量
11.2?Char-RNN算法
11.3?Char-RNN的訓練
11.4?Char-RNN的預測推理
11.5?Char-RNN完整模型
第12章?用JavaScript進行TensorFlow編程
12.1?TensorFlow.js的簡介和安裝
12.2?TensorFlow.js的張量操作
12.3?TensorFlow.js的常用運算
12.4?激活函數(shù)
12.5?TensorFlow.js變量
12.6?TensorFlow.js神經(jīng)網(wǎng)絡編程
12.7?TensorFlow.js實現(xiàn)完整模型
12.8?TensorFlow.js的后端接口
第13章?高級編程
13.1?GPU加速
13.2?生成對抗網(wǎng)絡
13.3?Attention機制
13.4?多任務學習
第14章?超越深度學習
14.1?自動機器學習AutoML
14.2?Autokeras
14.3?Windows Subsystem for Linux
14.4?強化學習
14.5?強化學習編程
14.6?下一步的學習方法