相关截图：





资料简介：
《深度学习全书——公式 推导 代码 TensorFlow全程案例》共有15章，分为5部分，篇说明深度学习的概念，包括数理基础，特点是结合编程解题，加深读者印象，第二篇说明TensorFlow的学习地图，从张量、自动微分、梯度下降乃至神经层的实践，逐步解构神经网络，第三篇介绍CNN算法、影像应用、转移学习等，第四篇则进入自然语言处理及语音识别的领域，介绍RNN/BERT/Transformer算法、相关应用等，后，介绍了强化学习的基础知识，包括马尔可夫决策过程、动态规划、蒙特卡洛、Q Learning算法，当然，还有相关案例实践。


资料目录：

篇 深度学习导论 

 
第 1 章   深度学习导论 2
1-1 人工智能的三波浪潮 2
1-2 AI 的学习地图 4
1-3 机器学习应用领域 5
1-4 机器学习开发流程 6
1-5 开发环境安装 7
第 2 章   神经网络原理 12
2-1 的数学与统计知识 12
2-2 线性代数 14

2-3 微积分 24
 
2-3-5    积分 37
2-4 概率与统计 41

2-4-1 数据类型  42
2-4-2 抽样  43
2-4-3 基础统计  46
2-4-4 概率  53
2-4-5 概率分布  59
2-4-6 假设检定  69
2-5 线性规划 78
2-6 普通小二乘法与似然
估计法 81
2-6-1 普通小二乘法 81
2-6-2 似然估计法 84
2-7 神经网络求解 88
 

2-3-1 微分  24
2-3-2 微分定理  29
2-3-3 偏微分  32
2-3-4 简单线性回归求解  36
 
深度学习全书——公式 推导 代码 TensorFlow 全程案例
 

  第二篇 TensorFlow 基础篇 

 
第 3 章 TensorFlow 架 构 与
主要功能 98
3-1 常用的深度学习框架 98
3-2 TensorFlow 架构 99
3-3 张量运算 100
3-4 自动微分 105
3-5 神经网络层 109
第 4 章   神经网络实践 114
4-1 撰写个神经网络程序 114
4-1-1 简短的程序 114
4-1-2 程序强化 115
4-1-3    实验 124
4-2 Keras 模型种类 129
4-2-1 Sequential model 129
4-2-2 Functional API 133
4-3  神 经层 135
4-3-1 完全连接神经层 135
4-3-2 Dropout Layer 137
4-4 激活函数 137
4-5 损失函数 142
4-6  优 化器 144
4-7 效果衡量指标 148
4-8 超参数调校 152
第 5 章 TensorFlow 其他常用
指令 156
5-1 特征转换 156
5-2 模型存盘与加载 157
5-3 模型汇总与结构图 159
 
5-4 回调函数 161
5-4-1 EarlyStopping
Callbacks 162
5-4-2 ModelCheckpoint
Callbacks 163
5-4-3 TensorBoard Callbacks  164
5-4-4 自定义 Callback 165
5-4-5 自定义 Callback 应用  168
5-4-6    总结 169
5-5 TensorBoard 169
5-5-1    TensorBoard 功能 169
5-5-2    测试 171
5-5-3    写入图片 172
5-5-4  直 方图 173
5-5-5 效果调校 174
5-5-6 敏感度分析 175
5-5-7    总结 176
5-6 模型部署与 TensorFlow
Serving 176
5-6-1 自行开发网页程序 176
5-6-2 TensorFlow Serving 178
5-7 TensorFlow Dataset 180
5-7-1 产生 Dataset 180
5-7-2 图像 Dataset 184
5-7-3 TFRecord 与 Dataset  186
5-7-4 TextLineDataset 189
5-7-5 Dataset 效果提升 191
第 6 章   卷积神经网络 193
6-1    卷积神经网络简介 193
 
IV
 
目 录
 

 
6-2    卷积 194
6-3    各式卷积 197
6-4  池 化层 201
6-5 CNN 模型实践 202
6-6 影像数据增补 206
6-7 可解释的 AI 211
 
第 7 章   预先训练的模型   219
7-1 预先训练的模型简介 219
7-2 采用完整的模型 221
7-3 采用部分模型 225
7-4 转移学习 229
7-5 Batch Normalization 说明 233
 
  第三篇 进阶的影像应用 
 
第 8 章   目标检测 238
8-1 图像辨识模型的发展 238
8-2 滑动窗口 239
8-3 方向梯度直方图 242
8-4 R-CNN 目标检测 252
8-5 R-CNN 改良 263
8-6 YOLO 算法简介 266
8-7 YOLO 环境配置 269
8-8 以 TensorFlow 实践 YOLO
模型 274
8-9 YOLO 模型训练 280
8-10 SSD 算法 285
8-11 TensorFlow Object Detection
API 285
8-12 目标检测的效果衡量指标 294
8-13    总结 295
第 9 章   进阶的影像应用 296
9-1 语义分割介绍 296
9-2 自动编码器 297
9-3 语义分割实践 305
9-4 实例分割 311
 
9-5 风格转换—人人都可以是
毕加索 315
9-6 脸部辨识 327
9-6-1 脸部检测 327
9-6-2 MTCNN 算法 332
9-6-3 脸部追踪 334
9-6-4 脸部特征点检测 340
9-6-5 脸部验证 346
9-7 光学文字辨识 349
9-8 车牌辨识 353
9-9 卷积神经网络的缺点 357
第 10 章   生成对抗网络 359
10-1 生成对抗网络介绍 359
10-2 生成对抗网络种类 361
10-3 DCGAN 364
10-4 Progressive GAN 375
10-5 Conditional GAN 380
10-6 Pix2Pix 385
10-7 CycleGAN 396
10-8 GAN 挑战 406
10-9 深度伪造 406
 
V
 
深度学习全书——公式 推导 代码 TensorFlow 全程案例
 

  第四篇 自然语言处理 

 
第 11 章 自然语言处理的介绍 412
11-1 词袋与 TF-IDF 412
11-2 词汇前置处理 416
11-3 词 向量 421
11-4 GloVe 模型 433
11-5 中文处理 436
11-6 spaCy 库 439
第 12 章   自然语言处理的算法 444
12-1 循环神经网络 444
12-2 长短期记忆网络 451
12-3 LSTM 重要参数与多层
LSTM 456
12-4 Gate Recurrent Unit 467
12-5 股价预测 468
12-6 注意力机制 475
12-7 Transformer 架构 485
12-7-1 Transformer 原理 486
12-7-2 Transformer 效能 487
12-8 BERT 488
12-8-1 Masked LM 488
12-8-2 Next Sentence
Prediction 489
12-8-3 BERT 效能微调 490
12-9 Transformers 库 491
12-9-1   Transformers 库范例  491
 
12-9-2 Transformers 库效能
微调 501
12-9-3 后续努力 507
12-10    总结 507
第 13 章   聊天机器人 508
13-1 ChatBot 类别 508
13-2 ChatBot 设计 509
13-3 ChatBot 实践 511
13-4 ChatBot 工具框架 514
13-4-1 ChatterBot 实践 514
13-4-2 Chatbot AI 实践 517
13-4-3 Rasa 实践 520
13-5 Dialog?ow 实践 523
13-5-1 Dialog?ow 安装 525
13-5-2 Dialog?ow 基本功能  527
13-5-3    履行 532
13-6    总结 536
第 14 章 语 音 识别 537
14-1 语音基本认识 538
14-2 语音前置处理 549
14-3 语音相关的深度学习应用 561
14-4 自动语音识别 574
14-5 自动语音识别实践 577
14-6    总结 578
 

VI
 
目 录
 

  第五篇 强化学习 

 
第 15 章 强 化 学习 580
15-1 强化学习的基础 581
15-2 强化学习模型 583
15-3 简单的强化学习架构 586
15-4 Gym 库 593
15-5 Gym 扩充功能 600
15-6 动态规划 602
 
15-7  值 循环 607
15-8 蒙特卡洛 610
15-9 时序差分 619
15-10 其他算法 628
15-11 井字游戏 630
15-12 木棒小车 636
15-13    总结 637