深度学习 从入门到实战【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

深度学习 从入门到实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1篇 深度学习入门篇2

第0章 引言：从人工智能到深度学习2

0.1 人工智能与机器学习2

0.1.1 人工智能3

【知识扩容】大数据带来的挑战4

0.1.2 机器学习4

【认知提升】细说图灵测试5

【新观点】机器学习适合做什么6

0.2 机器学习的模式7

【知识扩容】人工智能学派之争8

0.3 深度学习9

【案例0-1】天气预报深度神经网络9

【认知提升】说文解字“深度学习”11

【应知应会】深度与学习12

【最佳实践】减小损失函数的方法12

0.4 温故知新13

0.5 停下来，思考一下14

第1章 深度学习入门基础16

1.1 数学基础16

1.1.1 矩阵论基础17

【案例1-1】像指挥官一样对矩阵进行“排兵布阵”18

1.1.2 概率论基础与重要结论19

【应知应会】MATLAB中概率论基本命令21

1.2 机器学习基础21

1.2.1 监督学习22

【应知应会】数据挖掘与机器学习22

1.2.2 无监督学习23

【案例1-2】“无监督学习”中的k-means聚类24

1.3 神经网络基础26

1.3.1 生物神经网络26

【认知提升】探索初级视觉皮层的启示26

1.3.2 人工神经网络与神经元模型27

【知识扩容】Walter Pitts其人27

1.4 最优化理论基础28

1.4.1 最优化问题29

1.4.2 多目标优化问题30

1.4.3 群智能优化方法31

【案例1-3】指挥“群智能团队”逐渐逼近问题最优解32

1.5 温故知新35

1.6 停下来，思考一下36

第2章 神经网络原理与实现38

2.1 线性问题与感知机38

2.2 多层前馈神经网络与BP算法41

2.2.1 多层前馈神经网络41

【案例2-1】具有异或逻辑的感知机42

2.2.2 多层前馈神经网络的训练43

【案例2-2】训练前馈神经网络47

【应知应会】梯度下降算法47

2.3 其他神经网络48

2.3.1 径向基函数网络48

2.3.2 自组织映射网络49

【案例2-3】用SOM网络聚类Iris数据49

2.3.3 深度神经网络50

2.4 温故知新53

2.5 停下来，思考一下53

第2篇 深度学习方法论解析篇58

第3章 卷积神经网络（CNN）58

3.1 卷积神经网络入门58

3.1.1 生物机理59

3.1.2 拓扑结构61

【知识扩容】图像处理中的全连接网络与卷积网络63

3.1.3 卷积神经网络的特点63

3.2 卷积神经网络的关键技术64

3.2.1 卷积65

【案例3-1】利用图像的卷积操作对6×6的单通道图像进行瘦身66

【知识扩容】多通道卷积67

【案例3-2】构建基本CNN68

【认知提升】不同角度看“卷积”68

3.2.2 池化69

【最佳实践】小技巧总结71

【案例3-3】在Keras框架中实现MaxPooling71

【知识扩容】VGG卷积神经网络72

【案例3-4】揭开VGG和GoogLeNet的“庐山真面目”73

【认知提升】GoogleNet的Inception结构75

3.2.3 扁平化75

【案例3-5】实现图像特征矩阵的扁平化操作76

3.2.4 关键技术小结76

【新观点】卷积神经网络发展方向77

3.3 综合案例：三步教你构建手写字识别神经网络78

【应知应会】Adam优化算法79

【知识扩容】CNN在自然语言处理中的应用81

3.4 温故知新82

3.5 停下来，思考一下82

第4章 生成式对抗网络（GAN）84

4.1 生成式对抗网络基本原理84

4.1.1 GAN的核心思想84

【认知提升】GAN与博弈理论85

4.1.2 GAN数学描述86

【认知提升】“囚徒困境”博弈模型86

4.1.3 GAN的网络结构与核心技术87

4.1.4 GAN的改进模型90

【案例4-1】ACGAN基于TensorFlow框架的实现（图像为64×64单通道数据）91

【认知提升】博弈理论与多目标优化98

4.2 GAN应用99

4.2.1 数据缺失100

4.2.2 多标签预测101

4.2.3 根据环境生成相应数据102

4.2.4 数据特征表示103

4.2.5 图像检索104

4.2.6 文本到图像翻译104

4.2.7 医学方面105

4.3 综合案例：动手构建生成式对抗网络106

4.3.1 基于MATLAB的GAN106

4.3.2 基于TensorFlow的GAN108

4.4 温故知新115

4.5 停下来，思考一下115

第5章 循环神经网络（RNN）117

5.1 循环神经网络基本原理117

5.1.1 问题背景118

【案例5-1】词性标注（我学习循环神经网络）118

【应知应会】one-hot编码119

【认知提升】神经网络的记忆问题120

5.1.2 循环神经网络基本思想120

【最佳实践】RNN的梯度爆炸和消失问题123

5.2 LSTM网络基本原理124

5.2.1 LSTM的关键技术124

【知识扩容】递归神经网络（Recursive Neural Network，RNN）128

5.2.2 LSTM的应用128

【应知应会】自然语言处理129

5.3 综合案例：基于LSTM的语音预测130

5.3.1 加载数据130

5.3.2 定义网络结构130

5.3.3 网络训练及评估131

【应知应会】深度学习代码一般结构132

5.4 综合案例：基于循环神经网络的手写数字识别132

5.4.1 数据准备及参数设置132

5.4.2 网络构建133

5.4.3 网络训练134

5.5 综合案例：基于LSTM的自然语言处理135

5.5.1 数据收集及编码135

5.5.2 构建LSTM模型136

5.5.3 模型训练137

5.5 温故知新137

5.6 停下来，思考一下138

第3篇 深度学习实战篇142

第6章 深度学习主流工具及框架142

6.1 MATLAB基本语法与深度学习工具箱142

6.1.1 MATLAB简介142

6.1.2 MATLAB安装143

6.1.3 MATLAB常用语法146

6.1.4 基于MATLAB的深度学习工具箱149

【案例6-1】基于MATLAB的AlexNet模型初探151

【案例6-2】用安装好的深度学习工具箱中的卷积神经网络做mnist手写数字识别，来验证工具箱的有效性152

6.2 Python基本语法、库与开发工具153

6.2.1 Python简介153

6.2.2 Python安装153

6.2.3 Python常用语法155

【应知应会】Python常见错误提示及原因156

6.2.4 常用Python库157

6.2.5 常用Python开发工具161

【知识扩容】PyCharm常用快捷键162

【案例6-3】Python送你圣诞帽163

6.3 Caffe框架及环境搭建165

6.3.1 Caffe简介165

6.3.2 Caffe环境搭建166

【案例6-4】手写体数字识别167

6.4 TensorFlow框架及环境搭建167

6.4.1 TensorFlow简介167

6.4.2 TensorFlow与Keras框架的关系168

6.4.3 Windows 10上TensorFlow的环境搭建169

6.5 其他常用框架177

6.5.1 微软CNTK177

6.5.2 MXNet178

6.5.3 Torch178

6.5.4 Theano179

6.6 温故知新180

6.7 停下来，思考一下180

第7章 AlexNet关键技术与实战182

7.1 剖析AlexNet网络结构182

【知识扩容】ImageNet与李飞飞186

7.2 AlexNet关键技术187

7.2.1 ReLU激活函数187

7.2.2 标准化187

【应知应会】激活函数的“饱和”与“不饱和”188

【认知提升】马太效应、二八定律、长尾理论188

7.2.3 Dropout189

7.2.4 多GPU190

【应知应会】CUDA190

7.3 AlexNet与LeNet对比191

7.4 CNN通用架构191

7.5 综合案例：基于AlexNet的深度学习实战192

7.5.1 静态图像分类192

7.5.2 用AlexNet做特征提取（feature extraction）194

7.5.3 用AlexNet做迁移学习197

7.5.4 卷积神经网络的特征可视化200

7.6 温故知新209

7.7 停下来，思考一下210

第8章 将手写体识别进行到底211

8.1 手写体识别“江湖地位”211

8.2 手写数字识别212

8.2.1 手写数字的无监督学习213

【应知应会】稀疏表示213

【应知应会】无监督学习中的自动编码器219

8.2.2 手写数字的全连接神经网络识别219

【应知应会】softmax函数介绍220

【认知提升】熵220

8.2.3 手写数字的卷积神经网络识别221

8.3 手写汉字识别229

8.3.1 数据读取及预处理229

【最佳实践】数据读取231

8.3.2 卷积神经网络构建231

8.3.3 网络模型训练及结果可视化233

8.4 综合案例：手写数字旋转角度识别234

8.4.1 数据载入235

8.4.2 网络构建235

8.4.3 网络训练236

8.4.4 测试预测精度236

8.4.5 残差展示237

8.4.6 偏转角度矫正及可视化237

8.5 温故知新238

8.6 停下来，思考一下239

第9章 基于深度学习的视频检测240

9.1 人物监控视频问题研究意义及现状240

9.1.1 研究意义240

9.1.2 国内外研究现状242

9.2 研究情况介绍244

9.2.1 研究内容244

9.2.2 研究目标及关键科学问题244

【案例9-1】基于Python库的人脸识别245

9.3 综合案例：基于深度学习的人脸视频检测247

9.3.1 环境准备247

9.3.2 数据处理248

9.3.3 模型训练250

9.3.4 监控代码255

9.4 综合案例：基于深度学习的物体视频检测256

9.4.1 AlexNet回顾256

9.4.2 入门版257

9.4.3 初级版258

9.4.4 加强版259

9.4.5 升级版260

9.4.6 豪华版261

【案例9-2】让手机当网络摄像头262

9.5 温故知新262

9.6 停下来，思考一下263

第10章 基于深度学习的信息隐藏264

10.1 数字图像隐写分析研究现状及意义264

10.1.1 研究意义267

10.1.2 研究现状268

10.1.3 潜在的应用268

10.2 数字图像隐写分析概述270

【案例10-1】基于四叉树编码的空间域高保真可逆信息隐藏271

10.3 基于ACGAN的无载体信息隐藏272

10.3.1 生成式对抗网络回顾272

【应知应会】零和博弈272

10.3.2 基于ACGAN的信息隐藏关键技术274

10.4 综合案例：ACGAN信息隐藏实战276

10.4.1 方案概述276

【认知提升】可逆信息隐藏277

10.4.2 隐藏算法与提取算法的实现278

10.4.3 性能分析286

10.4.3 可靠性287

10.4.4 安全性287

10.5 温故知新288

10.6 停下来，思考一下288

第11章 基于深度学习的服装识别289

11.1 服装识别问题描述289

11.2 解决方案291

11.2.1 方案目标291

11.2.2 方案概述291

【知识扩容】OCR技术293

11.2.3 成本分析和可行性分析294

11.2.4 实施方案294

11.3 综合案例：基于卷积神经网络的服装识别实战294

11.3.1 数据准备294

11.3.2 网络结构设计297

【案例11-1】Canny边缘检测算子301

11.3.3 网络模型训练302

11.3.4 训练结果及测试303

11.4 温故知新306

11.5 停下来，思考一下306

致谢308