导语

  

内容提要

  

    为了构建稳健的深度学习系统，需要理解神经网络的工作原理以及如何训练CNN模型等知识。通过本书，你可以探索新开发的深度学习模型及其在各个领域的使用方法，以及基于应用领域的实现。
    本书首先介绍构建模块和神经网络背后的数学知识，然后介绍CNN及其在计算机视觉领域的先进应用，以及在对象检测和图像分割中应用流行的CNN架构。还将介绍变分自编码器和GAN，以及如何使用神经网络来提取单词的复杂向量表示。在继续讨论各种类型的循环网络（如LSTM和GRU）之前，会介绍如何在没有RNN的情况下使用注意力机制处理序列数据。然后，介绍如何使用图神经网络处理结构化数据，以及如何使用元学习采用较少的训练样本来训练神经网络。最后，了解如何将深度学习应用于自动驾驶汽车。
    阅读本书，你将掌握关键的深度学习概念和深度学习模型在现实世界中的不同应用。
    你将学到：
    先进的神经网络架构。
    神经网络背后的理论和数学知识。
    训练DNN并将其应用于现代深度学习问题。
    使用CNN进行对象检测和图像分割。
    实现GAN和变分自编码器来产生 新图像。
    使用seq2seq模型解决NLP任务，如机器翻译。
    了解DL技术，如元学习和图神经网络。

译者序
前言
作者简介
审校者简介
第一部分  核心概念
  第1章  神经网络的具体细节
    1.1  神经网络的数学基础
      1.1.1  线性代数
      1.1.2  概率介绍
      1.1.3  微分学
    1.2  神经网络的简单介绍
      1.2.1  神经元
      1.2.2  层的运算
      1.2.3  神经网络
      1.2.4  激活函数
      1.2.5  通用逼近定理
    1.3  训练神经网络
      1.3.1  梯度下降
      1.3.2  代价函数
      1.3.3  反向传播
      1.3.4  权重初始化
      1.3.5  SGD改进
    1.4  总结
第二部  分计算机视觉
  第2章  理解卷积网络
    2.1  理解CNN
      2.1.1  卷积类型
      2.1.2  提高CNN的效率
      2.1.3  可视化CNN
      2.1.4  CNN正则化
    2.2  迁移学习介绍
      2.2.1  使用PyTorch实现迁移学习
      2.2.2  使用TensorFlow 2.0实现迁移学习
    2.3  总结
  第3章  高级卷积网络
    3.1  AlexNet介绍
    3.2  VGG介绍
    3.3  理解残差网络
    3.4  理解Inception网络
      3.4.1  Inception v
      3.4.2  Inception v2和v
      3.4.3  Inception v4和Inception-ResNet
    3.5  Xception介绍
    3.6  MobileNet介绍
    3.7  DenseNet介绍
    3.8  神经架构搜索的工作原理
    3.9  胶囊网络介绍
      3.9.1  卷积网络的局限性
      3.9.2  胶囊
      3.9.3  胶囊网络的结构
    3.10  总结
  第4章  对象检测与图像分割
    4.1  对象检测介绍
      4.1.1  对象检测的方法
      4.1.2  使用YOLO v3进行对象检测
      4.1.3  使用Faster R-CNN进行对象检测
    4.2  图像分割介绍
      4.2.1  使用U-Net进行语义分割
      4.2.2  使用Mask R-CNN进行实例分割
    4.3  总结
  第5章  生成模型
    5.1  生成模型的直觉和证明
    5.2  VAE介绍
    5.3  GAN介绍
      5.3.1  训练GAN
      5.3.2  实现GAN
      5.3.3  训练GAN的缺陷
    5.4  GAN的类型
      5.4.1  DCGAN
      5.4.2  CGAN
      5.4.3  WGAN
      5.4.4  使用CycleGAN实现图像到图像的转换
    5.5  艺术风格迁移介绍
    5.6  总结
第三部分  自然语言和序列处理
  第6章  语言建模
    6.1  理解n-gram
    6.2  神经语言模型介绍
      6.2.1  神经概率语言模型
      6.2.2  word2vec
      6.2.3  GloVe模型
    6.3  实现语言模型
      6.3.1  训练嵌入模型
      6.3.2  可视化嵌入向量
    6.4  总结
  第7章  理解RNN
    7.1  RNN介绍
    7.2  长短期记忆介绍
    7.3  门控循环单元介绍
    7.4  实现文本分类
    7.5  总结
  第8章  seq2seq模型和注意力机制
    8.1  seq2seq模型介绍
    8.2  使用注意力的seq2seq
      8.2.1  Bahdanau Attention
      8.2.2  Luong Attention
      8.2.3  一般注意力
      8.2.4  使用注意力实现seq2seq
    8.3  理解transformer
      8.3.1  transformer注意力
      8.3.2  transformer模型
      8.3.3  实现transformer
    8.4  transformer语言模型
      8.4.1  基于transformer的双向编码器表示
      8.4.2  transformer-XL
      8.4.3  XLNet
      8.4.4  使用transformer语言模型生成文本
    8.5  总结
第四部分  展望未来
  第9章  新兴的神经网络设计
    9.1  GNN介绍
      9.1.1  循环GNN
      9.1.2  卷积图神经网络
      9.1.3  图自编码器
      9.1.4  神经图学习
    9.2  记忆增强神经网络介绍
      9.2.1  神经图灵机
      9.2.2  MANN
    9.3  总结
  第10章  元学习
    10.1  元学习介绍
      10.1.1  零样本学习
      10.1.2  单样本学习
      10.1.3  元训练和元测试
    10.2  基于度量的元学习
      10.2.1  为单样本学习匹配网络
      10.2.2  孪生网络
      10.2.3  原型网络
    10.3  基于优化的元学习
    10.4  总结
  第11章  自动驾驶汽车的深度学习
    11.1  自动驾驶汽车介绍
      11.1.1  自动驾驶汽车研究简史
      11.1.2  自动化的级别
    11.2  自动驾驶汽车系统的组件
      11.2.1  环境感知
      11.2.2  路径规划
    11.33  D数据处理介绍
    11.4  模仿驾驶策略
    11.5  ChauffeurNet驾驶策略
      11.5.1  输入/输出表示
      11.5.2  模型架构
      11.5.3  训练
    11.6  总结