《深度学习：卷积神经网络技术与实践》内容简介

本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其最大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。
高敬鹏编著

作品目录

前言
第1章：深度学习简介
1.1、机器学习与深度学习
1.2、TensorFlow概述
1.3、环境搭建
第2章：Python基础
2.1、数据类型
2.2、变量与常量
2.3、运算符
2.4、选择与循环
2.5、列表与元组
2.6、字典
2.7、函数
2.8、面向对象编程
2.9、思考与练习
第3章：神经网络基础
3.1、单层神经网络
3.2、多层神经网络
3.3、激活函数
3.4、神经网络工作过程
3.5、损失函数
3.6、优化算法
3.7、反向传播
3.8、泛化能力
3.9、多层感知器
3.10、MNIST数据集
3.11、Keras实现感知器的手写体识别
3.12、思考与练习
第4章：卷积神经网络
4.1、卷积神经网络结构及原理
4.2、卷积神经网络工作过程
4.3、简单卷积神经网络实现MNIST分类
4.4、CIFAR-10数据集
4.5、简单卷积神经网络实现CIFAR-10分类
4.6、思考与练习
第5章：经典卷积网络结构
5.1、LeNet概述
5.2、LeNet实现MNIST分类
5.3、AlexNet概述
5.4、AlexNet实现MNIST分类
5.5、VGG16概述
5.6、VGG16实现MNIST分类
5.7、思考与练习
第6章：经典卷积网络结构进阶
6.1、GoogLeNet概述
6.2、GoogLeNet实现MNIST分类
6.3、ResNet概述
6.4、ResNet50实现MNIST分类
6.5、思考与练习
第7章：迁移学习
7.1、基于卷积网络实现迁移学习
7.2、InceptionV3实现迁移学习
7.3、Xception实现迁移学习
7.4、MobileNet实现迁移学习
7.5、简单卷积网络实现迁移学习
7.6、思考与练习
第8章：循环神经网络
8.1、循环神经网络概述
8.2、长短期记忆网络
8.3、Reuters数据集
8.4、简单RNN实现Reuters分类
8.5、LSTM实现Reuters分类
8.6、思考与练习
第9章：强化学习
9.1、初识强化学习
9.2、强化学习理论基础
9.3、求解强化学习——有模型
9.4、求解强化学习——无模型
9.5、思考与练习
第10章：深度强化学习
10.1、深度强化学习框架
10.2、TensorFlow编程
10.3、Gym的安装及使用
10.4、基于值的算法更新
10.5、思考与练习
第11章：基于策略的算法更新与趋势
11.1、策略梯度法
11.2、演员–评论家算法
11.3、优势演员–评论家算法
11.4、异步优势演员–评论家算法
11.5、深度强化学习的发展趋势
11.6、思考与练习