《深度学习理论与实战（基础篇）》内容简介

本书不仅包含人工智能、机器学习及深度学习的基础知识，如卷积神经网络、循环神经网络、生成对抗网络等，而且也囊括了学会使用TensorFlow、PyTorch 和 Keras这三个主流的深度学习框架的最小知识量；不仅有针对相关理论的深入解释，而且也有实用的技巧，包括常见的优化技巧、使用多GPU训练、调试程序及将模型上线到生产系统中。本书同时兼顾理论和实战，使读者既能深入理解理论知识，又能把理论知识用于实战，因此本书每介绍完一个模型都会介绍其实现，读者阅读完一个模型的介绍之后就可以运行、阅读和修改相关代码，从而可以更加深刻地理解理论知识。
李理，毕业于北京大学，研究方向为自然语言处理，有十多年自然语言处理和人工智能研发经验，先后在去哪儿网、百度和出门问问等企业工作，从事过分布式爬虫、搜索引擎、广告系统，主持研发过多款智能硬件的问答和对话系统。现在是环信人工智能研发中心的VP，负责环信中文语义分析开放平台和环信智能机器人的设计与研发。目前他致力于语音识别、自然语言处理等人工智能技术在企业中的推广和落地，以提高企业服务的水平和效率。

作品目录

内容简介
前言
第1章：人工智能的基本概念
1.1、人工智能的发展历史
1.2、机器学习
1.3、常见的监督学习模型
1.4、衡量指标
1.5、损失函数
1.6、优化
1.7、过拟合
1.8、机器学习示例：线性回归
第2章：神经网络
2.1、手写数字识别问题
2.2、单个神经元和多层神经网络
2.3、用代码实战多层神经网络
2.4、多层神经网络构建代码解析
2.5、反向传播算法的推导
2.6、代码实现反向传播算法
2.7、为什么反向传播算法是一个高效的算法
2.8、优化技巧
第3章：卷积神经网络
3.1、卷积神经网络简介
3.2、局部感知域
3.3、特征映射
3.4、池化
3.5、构建完整的卷积神经网络
3.6、填充和步长
3.7、CNN
识别MNIST
手写数字
3.8、CNN
模型识别CIFAR-10、图像
3.9、使用残差网络识别MNIST
图像
第4章：循环神经网络
4.1、基本概念
4.2、RNN
的扩展
4.3、Word
Embedding
简介
4.4、姓名分类
4.5、RNN
生成莎士比亚风格句子
4.6、机器翻译
4.7、汉语—英语翻译的批量训练
第5章：生成对抗网络
5.1、为什么研究生成模型
5.2、生成模型的原理以及GAN
与其他生成模型的区别
5.3、GAN
的原理
5.4、深度卷积生成对抗网络
5.5、反卷积
5.6、DCGAN
实战
第6章：TensorFlow
6.1、TensorFlow
简介
6.2、Opitimizer
6.3、数据的处理和输入
6.4、常见网络结构
6.5、RNN
在TensorFlow
中的实现
6.6、TensorBoard
6.7、高层API
6.8、调试
6.9、TensorFlow
Serving
第7章：PyTorch
7.1、基础知识
7.2、PyTorch
神经网络简介
7.3、训练一个分类器
7.4、使用NumPy
实现三层神经网络
7.5、使用Tensor
实现三层神经网络
7.6、使用autograd
实现三层神经网络
7.7、使用自定义的ReLU
函数
7.8、和TensorFlow
的对比
7.9、使用nn
模块实现三层神经网络
7.10、使用optim
包
7.11、自定义nn
模块
7.12、流程控制和参数共享
7.13、迁移学习示例
7.14、数据的加载和预处理
第8章：Keras
8.1、Keras
简介
8.2、Hello
World
8.3、Sequential
API
8.4、多分类
8.5、两分类
8.6、1D
卷积进行序列分类
8.7、多层LSTM
序列分类
8.8、有状态的LSTM
8.9、Functional
API
8.10、判断两个数字是否是同一个数字
8.11、图片问答
8.12、视频问答