深度学习基础教程pdf电子书版本下载

点此进入-本书在线PDF格式电子书下载【推荐-云解压-方便快捷】直接下载PDF格式图书。移动端-PC端通用
种子下载[BT下载速度快] 温馨提示：（请使用BT下载软件FDM进行下载）软件下载地址页 直链下载[便捷但速度慢]   [在线试读本书]   [在线获取解压码]

深度学习基础教程PDF格式电子书版下载

下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。

建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！

（文件页数 要大于 标注页数，上中下等多册电子书除外）

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章 为什么进行深度学习 1

1.1 什么是人工智能和深度学习 1

1.2 深度学习的历史及其兴起 2

1.3 为什么进行深度学习 7

1.3.1 相比于传统浅层方法的优势 7

1.3.2 深度学习的影响 8

1.4 深层架构的动机 9

1.4.1 神经的观点 10

1.4.2 特征表示的观点 10

1.5 应用 14

1.5.1 盈利性应用 14

1.5.2 成功案例 14

1.5.3 面向企业的深度学习 19

1.6 未来的潜力和挑战 20

1.7 小结 21

第2章 为深度学习做准备 22

2.1 线性代数的基础知识 22

2.1.1 数据表示 22

2.1.2 数据操作 23

2.1.3 矩阵属性 24

2.2 使用GPU进行深度学习 24

2.2.1 深度学习硬件指南 26

2.3 深度学习软件框架 27

2.3.1 TensorFlow 27

2.3.2 Caffe 27

2.3.3 MXNet 28

2.3.4 Torch 28

2.3.5 Theano 28

2.3.6 CNTK 29

2.3.7 Keras 29

2.3.8 框架比较 29

2.4 基本亚马逊网络服务的深度学习开发环境配置 30

2.4.1 从零开始配置 30

2.4.2 基于Docker的配置 33

2.5 小结 34

第3章 神经网络入门 35

3.1 多层感知机 35

3.1.1 输入层 36

3.1.2 输出层 36

3.1.3 隐藏层 36

3.1.4 激活函数 36

3.2 如何进行网络学习 39

3.2.1 权值初始化 39

3.2.2 前向传播 39

3.2.3 反向传播 40

3.2.4 梯度消失与爆炸 42

3.2.5 优化算法 42

3.2.6 正则化 43

3.3 深度学习模型 43

3.3.1 卷积神经网络 43

3.3.2 受限玻耳兹曼机 47

3.3.3 循环神经网络（RNNLSTM网络） 50

3.3.4 RNN中的单元及其展开 51

3.3.5 通过时间的反向传播 51

3.3.6 梯度消失与LSTM网络 51

3.3.7 LSTM网络中的单元和网关 52

3.4 应用示例 53

3.4.1 TensorFlow设置与关键概念 53

3.4.2 手写数字识别 54

3.5 小结 57

第4章 计算机视觉中的深度学习 58

4.1 卷积神经网络的起源 58

4.2 卷积神经网络 59

4.2.1 数据变换 61

4.2.2 网络层 62

4.2.3 网络初始化 65

4.2.4 正则化 66

4.2.5 损失函数 67

4.2.6 模型可视化 68

4.2.7 手写数字分类示例 69

4.3 微调卷积神经网络 71

4.4 主流的卷积神经网络架构 72

4.4.1 AlexNet 72

4.4.2 VGG 72

4.4.3 GoogLeNet 73

4.4.4 ResNet 73

4.5 小结 74

第5章 自然语言处理中的向量表示 75

5.1 传统的自然语言处理 75

5.1.1 BoW 75

5.1.2 带权的tf-idf 76

5.2 基于深度学习的自然语言处理 77

5.2.1 动机及分散式表示法 77

5.2.2 词嵌入 78

5.2.3 Word2Vec 81

5.2.4 了解GloVe 92

5.2.5 FastText 92

5.3 应用 93

5.3.1 使用示例 93

5.3.2 微调 93

5.4 小结 94

第6章 高级自然语言处理 95

6.1 面向文本的深度学习 95

6.1.1 神经网络的局限性 95

6.2 循环神经网络 96

6.2.1 RNN架构 97

6.2.2 基本的RNN模型 98

6.2.3 训练RNN很难 98

6.3 LSTM网络 99

6.3.1 使用TensorFlow实现LSTM网络 101

6.4 应用 103

6.4.1 语言建模 103

6.4.2 序列标注 104

6.4.3 机器翻译 106

6.4.4 聊天机器人 109

6.5 小结 110

第7章 多模态 111

7.1 什么是多模态学习 111

7.2 多模态学习的挑战 111

7.2.1 模态表示 112

7.2.2 模态转换 112

7.2.3 模态对齐 112

7.2.4 模态融合 113

7.2.5 协同学习 113

7.3 图像标注生成 113

7.3.1 show＆tell算法 114

7.3.2 其他类型的方法 116

7.3.3 数据集 117

7.3.4 评估方法 119

7.3.5 注意力模型 121

7.4 视觉问答 125

7.5 基于多源的自动驾驶 127

7.6 小结 130

第8章 深度强化学习 131

8.1 什么是强化学习 131

8.1.1 问题设置 132

8.1.2 基于值函数学习的算法 132

8.1.3 基于策略搜索的算法 134

8.1.4 基于Actor-Critic的算法 134

8.2 深度强化学习 135

8.2.1 深度Q网络（DQN） 135

8.2.2 双DQN 137

8.2.3 竞争DQN 138

8.3 强化学习实现 138

8.3.1 简单的强化学习示例 138

8.3.2 以Q-learning为例的强化学习 139

8.4 小结 141

第9章 深度学习的技巧 142

9.1 处理数据 142

9.1.1 数据清理 142

9.1.2 数据扩充 142

9.1.3 数据归一化 143

9.2 训练技巧 143

9.2.1 权值初始化 143

9.2.2 优化 144

9.2.3 损失函数选择 146

9.2.4 防止过拟合 147

9.2.5 微调 148

9.3 模型压缩 149

9.4 小结 152

第10章 深度学习的发展趋势 153

10.1 深度学习的最新模型 153

10.1.1 生成对抗网络 153

10.1.2 Capsule网络 154

10.2 深度学习的新应用 155

10.2.1 基因组学 155

10.2.2 医疗预测 157

10.2.3 临床影像学 159

10.2.4 唇语 160

10.2.5 视觉推理 161

10.2.6 代码合成 162

10.3 小结 164