图解深度学习：可视化、交互式的人工智能指南（英文版）（全彩印刷）_[美]乔恩·克罗恩（Jon Krohn）_9787115555564

本书利用精美的插图和有趣的类比，对深度学习的主流技术和背后的原理进行了深入浅出的讲解，解释了什么是深度学习，深度学习流行的原因，以及深度学习与其他机器学习方法的关系。阅读本书，读者可以掌握卷积神经网络、循环神经网络、生成式对抗网络和深度强化学习等热门技术，学习TensorFlow、Keras和PyTorch等热门工具的使用，同时能够更深刻地理解计算机视觉、自然语言处理和游戏等领域的人工智能应用。本书还提供了简单明了的示例和代码，能够帮助读者动手实践。本书适合人工智能、机器学习、深度学习等领域的开发人员、数据科学家、研究人员、分析师和学生阅读。

I　Introducing Deep Learning / 深度学习简介　　　1 1　Biological and Machine Vision / 生物与机器视角　3 Biological　Vision / 生物视角　3 Machine　Vision / 机器视角　8 The　Neocognitron / 新认知机　8 LeNet-5　/ 卷积神经网络 LeNet-5　9 The　Traditional Machine Learning Approach / 传统机器学习方法　12 ImageNet　and the ILSVRC / 大规模视觉数据库ImageNet和视觉识别挑战赛ILSVRC　13 AlexNet　/ 卷积神经网络 AlexNet　14 TensorFlow　Playground/ 开源软件库TensorFlow　17 Quick,　Draw! / 涂鸦小游戏Quick, Draw!　19 小结　19 2　Human and Machine Language / 人机语言　21 Deep　Learning for Natural Language Processing / 自然语言处理中的深度学习　21 Deep　Learning Networks Learn Representations Automatically / 深度学习网络自动学习表示　22 Natural　Language Processing / 自然语言处理　23 A　Brief History of Deep Learning for NLP/自然语言处理深度学习简史24 Computational　Representations of Language / 语言的计算表示　25 One-Hot　Representations of Words / 单词的独热表示　25 Word　Vectors / 词向量　26 Word-Vector　Arithmetic / 词向量算法　29 word2viz　/ 词向量工具 word2viz　30 Localist　Versus Distributed Representations / 局部化与分布式表示32 Elements　of Natural Human Language / 自然人类语言要素　33 Google　Duplex / Google Duplex　35 Summary　/ 小结　37 3　Machine Art / 机器艺术　39 A　Boozy All-Nighter / 一个热闹的通宵　39 Arithmetic　on Fake Human Faces / 假人脸算法　41 Style　Transfer: Converting Photos into Monet (and Vice Versa)　/ 风格迁移：照片与莫奈风格间的相互转移　44 Make　Your Own Sketches Photorealistic / 让草图更加真实　45 Creating　Photorealistic Images from Text / 基于文本创建真实图片　45 Image　Processing Using Deep Learning / 基于深度学习的图像处理　46 Summary　/ 小结　48 4　Game-Playing Machines / 人机博弈　49 Deep　Learning, AI, and Other Beasts / 深度学习、人工智能和其他技术49 Artificial　Intelligence / 人工智能　49 Machine　Learning / 机器学习　50 Representation　Learning / 表示学习　51 Artificial　Neural Networks / 人工神经网络　51 Deep　Learning / 深度学习　51 Machine　Vision / 机器视觉　52 Natural　Language Processing / 自然语言处理　53 Three　Categories of Machine Learning Problems / 机器学习问题的3种类型　53 Supervised　Learning / 监督学习　53 Unsupervised　Learning / 无监督学习　54 Reinforcement　Learning / 强化学习　54 Deep　Reinforcement Learning / 深度强化学习　56 Video　Games / 视频游戏　57 Board　Games / 棋盘游戏　59 AlphaGo　/ AlphaGo　59 AlphaGo　Zero / AlphaGo Zero　62 AlphaZero　/ AlphaZero　65 Manipulation　of Objects / 目标操控　67 Popular　Deep Reinforcement Learning Environments / 流行的深度强化学习环境　68 OpenAI　Gym / OpenAI Gym　68 DeepMind　Lab / DeepMind 实验室　69 Unity　ML-Agents / Unity ML-Agents　71 Three　Categories of AI / 人工智能的3种类型　71 Artificial　Narrow Intelligence / 狭义人工智能　72 Artificial　General Intelligence / 广义人工智能　72 Artificial　Super Intelligence / 超级人工智能　72 Summary　/ 小结　72 II　Essential Theory Illustrated / 图解深度学习基本理论　73 5　The (Code) Cart Ahead of the (Theory) Horse / 先代码后理论　75 Prerequisites　/ 预备知识　75 Installation　/ 安装　76 A　Shallow Network in Keras / Keras构建浅层网络　76 The　MNIST Handwritten Digits / MNIST 手写数字　76 A　Schematic Diagram of the Network / 网络示意图　77 Loading　the Data / 加载数据　79 Reformatting　the Data / 重新格式化数据　81 Designing　a Neural Network Architecture / 设计神经网络架构　83 Training　a Deep Learning Model / 训练深度学习模型　83 Summary　/ 小结　84 6　Artificial Neurons Detecting Hot Dogs / 人工神经元热狗感知机85 Biological　Neuroanatomy 101 / 生物神经元　85 The　Perceptron / 感知机　86 The　Hot Dog / Not Hot Dog Detector / 热狗感知机/非热狗感知机　86 The　Most Important Equation in This Book / 本书最重要的等式　90 Modern　Neurons and Activation Functions / 现代神经元与激活函数　91 The　Sigmoid Neuron / Sigmoid 神经元　92 The　Tanh Neuron / Tanh 神经元　94 ReLU:　Rectified Linear Units / ReLU 神经元　94 Choosing　a Neuron / 选择神经元　96 Summary　/ 小结　96 Key　Concepts / 核心概念　97 7　神经网络　99 The　Input Layer / 输入层　99 Dense　Layers / 全连接层　99 A　Hot Dog-Detecting Dense Network / 热狗感知全连接网络　101 Forward　Propagation Through the First Hidden Layer / 第　一个隐藏层的正向传播　102 Forward　Propagation Through Subsequent Layers / 其他层的正向传播　103 The　Softmax Layer of a Fast Food-Classifying Network / 快餐分类网络的Softmax层　106 Revisiting　Our Shallow Network / 回归浅层网络　108 Summary　/ 小结　109 Key　Concepts / 核心概念　110 8　Training Deep Networks / 深度网络训练　110 Cost　Functions / 损失函数　111 Quadratic　Cost / 二次方损失函数　112 Saturated　Neurons / 神经元饱和　112 Cross-Entropy　Cost / 交叉熵损失函数　113 Optimization:　Learning to Minimize Cost / 优化：学习最小化损失　115 Gradient　Descent / 梯度下降　115 Learning　Rate / 学习率　117 Batch　Size and Stochastic Gradient Descent / 批量大小和随机梯度下降　119 Escaping　the Local Minimum / 解决局部最小问题　122 Backpropagation　/ 反向传播　124 Tuning　Hidden-Layer Count and Neuron Count / 调整隐藏层层数和神经元数量　125 An　Intermediate Net in Keras / Keras构建中等深度的神经网络　127 Summary　/ 小结　129 Key　Concepts / 核心概念　130 9　Improving Deep Networks / 深度网络改进　131 Weight　Initialization / 权重初始化　131 Xavier　Glorot Distributions / Xavier Glorot 分布　135 Unstable　Gradients / 不稳定梯度　137 Vanishing　Gradients / 梯度消失　137 Exploding　Gradients / 梯度爆炸　138 Batch　Normalization / 批量归一化　138 Model　Generalization (Avoiding Overfitting) / 模型泛化（避免过拟合）140 L1　and L2 Regularization / L1 和 L2 正则化　141 Dropout　/ Dropout　142 Data　Augmentation / 数据增强　145 Fancy　Optimizers / 优化器　145 Momentum　/ 动量　145 Nesterov　Momentum / Nesterov 动量　146 AdaGrad　/ AdaGrad　146 AdaDelta　and RMSProp / AdaDelta 和 RMSProp　146 Adam　/ Adam　147 A　Deep Neural Network in Keras / Keras构建深度神经网络　147 Regression　/ 回归　149 TensorBoard　/ TensorBoard　152 Summary　/ 小结　154 Key　Concepts / 核心概念　155 III　Interactive Applications of Deep Learning　/ 深度学习的交互应用　157 10　Machine Vision / 机器视觉　159 Convolutional　Neural Networks / 卷积神经网络　159 The　Two-Dimensional Structure of Visual Imagery / 视觉图像二维结构　159 Computational　Complexity / 计算复杂度　160 Convolutional　Layers / 卷积层　160 Multiple　Filters / 多个卷积核　162 A　Convolutional Example / 卷积示例　163 Convolutional　Filter Hyperparameters /卷积核的超参数　168 Pooling　Layers / 池化层　169 LeNet-5　in Keras / Keras实现LeNet-5　171 AlexNet　and VGGNet in Keras / Keras实现AlexNet和VGGNet　176 Residual　Networks / 残差网络　179 Vanishing　Gradients: The Bête Noire of Deep CNNs / 梯度消失：深度　CNNs 最大的缺点　179 Residual　Connections / 残差连接　180 ResNet　/ 残差网络　182 Applications　of Machine Vision / 机器视角的应用　182 Object　Detection / 目标检测　183 Image　Segmentation / 图像分割　186 Transfer　Learning / 迁移学习　188 Capsule　Networks / 胶囊网络　192 Summary　/ 小结　193 Key　Concepts / 核心概念　193 11　Natural Language Processing / 自然语言处理　195 Preprocessing　Natural Language Data / 自然语言数据预处理　195 Tokenization　/ 标记化　197 Converting　All Characters to Lowercase / 字符小写转换　199 Removing　Stop Words and Punctuation / 停用词和符号的删除　200 Stemming　/ 词干提取　201 Handling　n-grams / 处理 n-grams　202 Preprocessing　the Full Corpus / 完整语料库预处理　203 Creating　Word Embeddings with word2vec / word2vec实现词嵌入　206 The　Essential Theory Behind word2vec / word2vec　背后的基本理论　206 Evaluating　Word Vectors / 词向量评估　209 Running　word2vec / word2vec 的运行　209 Plotting　Word Vectors / 词向量的绘制　213 The　Area under the ROC Curve / ROC曲线下的面积　217 The　Confusion Matrix / 混淆矩阵　218 Calculating　the ROC AUC Metric / 计算 ROC AUC　219 Natural　Language Classification with Familiar Networks / 常见网络实现自然语言分类　222 Loading　the IMDb Film Reviews /加载 IMDb 电影评论　222 Examining　the IMDb Data / 检查 IMDb 数据　226 Standardizing　the Length of the Reviews /评论长度标准化　228 Dense　Network / 全连接网络　229 Convolutional　Networks / 卷积网络　235 Networks　Designed for Sequential Data / 序列数据的网络设计　240 Recurrent　Neural Networks / 循环神经网络　240 Long　Short-Term Memory Units / 长短期记忆网络架构　244 Bidirectional　LSTMs / 双向 LSTM　247 Stacked　Recurrent Models / 堆叠循环神经网络　248 Seq2seq　and Attention / Seq2seq　模型和注意力机制　250 Transfer　Learning in NLP / 自然语言处理迁移学习　251 11.6　Non-sequential Architectures: The Keras Functional API　/ 非序列架构——Keras功能性API　251 11.7　Summary / 小结　256 11.8　Key Concepts / 核心概念　257 12　Generative Adversarial Networks / 生成式对抗网络　259 Essential　GAN Theory / 生成式对抗网络基本理论　259 The　Quick, Draw! Dataset / 涂鸦小游戏The　Quick, Draw!数据集　263 The　Discriminator Network / 判别器网络　266 The　Generator Network / 生成器网络　269 The　Adversarial Network / 对抗网络　272 GAN　Training / 生成式对抗网络训练　275 Summary　/ 小结　281 Key　Concepts / 核心概念　282 13　Deep Reinforcement Learning /深度强化学习　283 Essential　Theory of Reinforcement Learning / 强化学习基本理论　283 The　Cart-Pole Game / Cart-Pole 游戏　284 Markov　Decision Processes / 马尔可夫决策过程　286 The　Optimal Policy / 最优策略　288 Essential　Theory of Deep Q-Learning Networks / 深度Q学习网络基本理论　290 Value　Functions / 值函数　291 Q-Value　Functions / Q 值函数　291 Estimating　an Optimal Q-Value / 估计最优 Q 值　291 Defining　a DQN Agent / 定义DQN智能体　293 Initialization　Parameters / 初始化参数　295 Building　the Agent’s Neural Network Model / 构建智能体的神经网络模型　297 Remembering　Gameplay / 记忆游戏　298 Training　via Memory Replay / 记忆重播训练　298 Selecting　an Action to Take / 选择要采取的行动　299 Saving　and Loading Model Parameters / 保存和加载模型参数　300 Interacting　with an OpenAI Gym Environment / OpenAI　Gym环境交互　300 Hyperparameter　Optimization with SLM Lab / SLM　Lab超参数优化　303 Agents　Beyond DQN / DQN以外智能体　306 Policy　Gradients and the REINFORCE Algorithm / 策略梯度和强化算法　307 The　Actor-Critic Algorithm / Actor-Critic 算法　307 Summary　/ 小结　308 Key　Concepts / 核心概念　309 IV　You and AI / 你与人工智能　311 14　Moving Forward with Your Own Deep Learning Projects　创建和推进专属于你的深度学习项目　313 Ideas　for Deep Learning Projects / 深度学习项目思想　313 Machine　Vision and GANs / 机器视觉和生成式对抗网络　313 Natural　Language Processing / 自然语言处理　315 Deep　Reinforcement Learning / 深度强化学习　316 Converting　an Existing Machine Learning Project / 转换现有的机器学习项目　316 Resources　for Further Projects / 项目源　317 Socially　Beneficial Projects / 社会公益项目　318 The　Modeling Process, Including Hyperparameter Tuning / 建模和超参数调优　318 Automation　of Hyperparameter Search / 超参数的自动搜索　321 Deep　Learning Libraries / 深度学习库　321 Keras　and TensorFlow / Keras 和 TensorFlow　321 PyTorch　/ PyTorch　323 MXNet,　CNTK, Caffe, and So On / MXNet、CNTK、Caffe　等　324 Software　2.0 / 软件2.0　324 Approaching　Artificial General Intelligence / 走进广义人工智能　326 Summary　/ 小结　328 V　Appendices / 附录　331 A　Formal Neural Network Notation / 神经网络符号　333 B　Backpropagation / 反向传播　335 C　PyTorch / PyTorch　339 PyTorch　Features / Pytorch特征　339 Autograd　System / AutoGrade 机制　339 Define-by-Run　Framework / 运行定义框架　339 PyTorch　Versus TensorFlow / PyTorch　与 TensorFlow 对比　340 PyTorch　in Practice / PyTorch的实践　341 PyTorch　Installation / PyTorch 的安装　341 The　Fundamental Units Within PyTorch / PyTorch　的基本单位　341 Building　a Deep Neural Network in PyTorch / PyTorch　实现一个深度神经网络　343

你还可能感兴趣

我要评论