●第1章深度學習簡介1.1計算機視覺1.1.1定義1.1.2基本任務1.1.3傳統方法1.1.4仿生學與深度學習1.1.5現代深度學習1.1.6小結1.2自然語言處理1.2.1自然語言處理的基本問題1.2.2傳統方法與神經網絡方法的比較1.2.3發展趨勢1.3強化學習1.3.1什麼是強化學習1.3.2強化學習算法簡介1.3.3強化學習的應用第2章深度學習框架2.1Caffe2.1.1Caffe簡介2.1.2Caffe的特點2.1.3Caffe概述2.2TensorFlow2.2.1TensorFlow簡介2.2.2數據流圖2.2.3TensorFlow的特點2.2.4TensorFlow概述2.3PyTorch2.3.1PyTorch簡介2.3.2PyTorch的特點2.3.3PyTorch概述2.4三者的比較2.4.1Caffe2.4.2TensorFlow2.4.3PyTorch第3章機器學習基礎知識3.1模型評估與模型參數選擇3.1.1驗證3.1.2正則化3.2監督學習與非監督學習3.2.1監督學習3.2.2非監督學習第4章PyTorch深度學習基礎4.1Tensor對像及其運算4.2Tensor的索引和切片4.3Tensor的變換、拼接和拆分4.4PyTorch的Reduction操作4.5PyTorch的自動微分第5章Logistic回歸5.1線性回歸5.2Logistic回歸5.3用PyTorch實現Logistic回歸5.3.1數據準備5.3.2線性方程5.3.3激活函數5.3.4損失函數5.3.5優化算法5.3.6模型可視化第6章神經網絡基礎6.1基礎概念6.2感知器6.2.1單層感知器6.2.2多層感知器6.3BP神經網絡6.3.1梯度下降6.3.2後向傳播6.4Dropout正則化6.5批標準化6.5.1Batch Normalization的實現方式6.5.2Batch Normalization的使用方法第7章卷積神經網絡與計算機視覺7.1卷積神經網絡的基本思想7.2卷積操作7.3池化層7.4卷積神經網絡7.5經典網絡結構7.5.1VGG網絡7.5.2InceptionNet7.5.3ResNet7.6用PyTorch進行手寫數字識別第8章神經網絡與自然語言處理8.1語言建模8.2基於多層感知機的架構8.3基於循環神經網絡的架構8.3.18.3.2通過時間後向傳播8.3.3帶有門限的8.3.4循環神經網絡語言模型8.3.5神經機器翻譯8.4基於卷積神經網絡的架構8.5基於Transformer的架構8.5.1多頭注意力8.5.2非參位置編碼8.5.3編與解8.6表示學習與預訓練技術8.6.1詞向量8.6.2加入上下文信息的特征表示8.6.3網絡預訓練8.7小結實戰篇第9章搭建卷積神經網絡進行圖像分類9.1實驗數據準備9.2數據預處理和準備9.2.1數據集的讀取9.2.2重載data.Dataset類9.2.3transform數據預處理9.3模型構建9.3.1ResNet509.3.2bottleneck的實現9.3.3ResNet50卷積層定義9.3.4ResNet50 forward實現9.3.5預訓練參數裝載9.4模型訓練與結果評估9.4.1訓練類的實現9.4.2優化器的定義9.4.3學習率衰減9.4.4訓練9.5總結第10章圖像風格遷移10.1VGG模型10.2圖像風格遷移介紹10.3內容損失函數10.3.1內容損失函數的定義10.3.2內容損失模塊的實現10.4風格損失函數10.4.1風格損失函數的定義10.4.2計算Gram矩陣函數的實現10.4.3風格損失模塊的實現10.5優化過程10.6圖像風格遷移主程序的實現10.6.1圖像預處理10.6.2參數定義10.6.3模型初始化10.6.4運行風格遷移的主函數10.6.5利用VGG網絡建立損失函數10.6.6風格遷移的優化過程10.6.7運行風格遷移第11章基於RNN的文本分類11.1數據準備11.2將名字轉換為張量11.3構建神經網絡11.4訓練11.4.1準備訓練11.4.2訓練RNN網絡11.5繪制損失變化圖11.6預測結果11.7預測用戶輸入第12章基於CNN的視頻行為識別12.1問題描述12.2源碼結構12.3數據準備12.4模型搭建與訓練12.5特征圖可視化第13章實現對抗性樣本生成13.1威脅模型13.2快速梯度符號攻擊13.3代碼實現13.3.1輸入13.3.2受到攻擊的模型13.3.3FGSM攻擊13.3.4測試功能13.3.5運行攻擊13.3.6結果分析13.4對抗示例13.5小結第14章實現基於LSTM的情感分析14.1情感分析常用的Python工具庫14.1.1PyTorch14.1.2tqdm14.1.3Pandas14.1.4Gensim14.1.5collections14.2數據樣本分析14.3數據預處理14.4算法模型14.4.1循環神經網絡14.4.2長短期記憶神經網絡14.4.3模型實現14.5小結第15章實現DCGAN15.1生成對抗網絡15.2DCGAN介紹15.3初始化代碼15.3.1初始化相關庫15.3.2數據加載15.4模型實現15.4.1權重初始化15.4.2生成器15.4.3判別器15.4.4判別器代碼15.4.5損失函數和優化器15.4.6訓練15.5結果15.5.1損失與訓練迭代次數關繫圖15.5.2生成器G的訓練進度15.5.3真實圖像與假圖像15.6小結第16章視覺問答16.1視覺問答簡介16.2基於BottomUp Attention的聯合嵌入模型16.3準備工作16.3.1下載數據16.3.2安裝推薦的軟件包16.3.3使用配置文件16.4實現基礎模塊16.4.1FCNet模塊16.4.2SimpleClassifier模塊16.5實現問題嵌入模塊16.5.1詞嵌入16.5.2RNN16.6實現TopDown Attention模塊16.7組裝完整的VQA繫統16.8運行VQA實驗16.8.1訓練16.8.2可視化附錄APyTorch環境搭建A.1Linu臺下PyTorch環境搭建A.2Windows平臺下PyTorch環境搭建附錄B深度學習的數學基礎B.1線性代數B.2概率論參考文獻

本書在內容安排上十分精良，為便於數學基礎較薄弱的讀者學習，引入了深度學習數學基礎；再由淺入深地以實戰案例講解的方式，對於誤差反向傳播法、卷積運算等進行詳細剖析，使讀者在實現層面上理解；此外還加入了前沿技術，如Batch Normalization等內容。本書提供了8個完整的項目案例、完整的構建過程、詳細的視頻講解以及相應源代碼，使讀者能在實戰案例中，深入完成深度學習的學習與掌握。

呂雲翔 劉卓然 主編 關捷雄 歐陽植昊 楊卓謙 華昱雲 陳妙然 黎昆昌 呂可馨 王淥汀 副主編 著