Keras深度学习与神经网络 作者：肖睿出版时间： 2022年版内容简介本书从人工智能导论入手，阐述人工智能的发展及现状，重点介绍了机器学习和神经网络基础、反向传播原理、卷积神经网络和循环神经网络等内容。本书内容由浅入深，循序渐进，从神经元和感知机入手，逐步讲解深度学习中神经网络基础、反向传播以及更深层次的卷积神经网络、循环神经网络。本书知识体系完整，内容覆盖面广，介绍了深度学习中常用的模型和算法，助力读者全方位掌握深度学习的相关知识。本书可作为高等院校计算机等相关专业的教材，也可供人工智能领域的技术人员学习使用，还可以作为人工智能研究人员的参考用书。目录目录 章 人工智能导论任务 1．1：了解人工智能发展历程人工智能的发展历程任务 1．2：理解人工智能、机器学习、深度学习．1．2．1 人工智能，机器学习和深度学习1．2．2 深度学习的发展任务 1．3：了解深度学习的应用情况1．3．1 深度学习的应用情况本章小结本章习题第 2 章 深度学习流程任务 2．1：什么是机器学习2．1．1 机器学习2．1．2 机器如何学习任务 2．2：理解回归与分类2．2．1 回归2．2．2 分类任务 2．3：了解深度学习工作过程深度学习工作过程本章小结本章习题第 3 章 神经网络基础任务 3．1：什么是人工神经元3．1．1 生物神经元3．1．2 人工神经元任务 3．2：理解激活函数的意义3．2．1 激活函数的意义3．2．2 激活函数种类任务 3．3：掌握基础的神经网络结构3．3．1 感知机模型3．3．2 全连接神经网络任务 3．4：了解什么是损失函数3．4．1 损失函数的意义3．4．2 损失函数的种类本章小结本章习题第 4 章 反向传播原理．任务 4．1：计算神经网络的输出前向传播计算任务 4．2：掌握反向传播算法4．2．1 反向传播算法的意义4．2．2 反向传播算法的计算任务 4．3：掌握梯度下降算法4．3．1 梯度下降概述4．3．2 梯度下降的形式4．3．3 学习率的作用任务 4．4：使用 Pytho实现反向传播算法反向传播的 Pytho实现本章小结本章习题第 5 章 Keras 与环境配置任务 5．1：深度学习开发环境的配置5．1．1 Pytho开发环境搭建5．1．2 Keras 与 TensorFlow 安装任务 5．2：快速开始 Keras5．2．1 为什么选择 Keras5．2．2 快速开始 Keras任务 5．3：掌握顺序模型 Sequential API5．3．1 Sequential API任务 5．4：认识函数式模型 Funtional APIFuntional API本章小结本章习题第 6 章 深度神经网络手写体识别任务 6．1：理解 Softmax 回归模型6．1．1 Softmax 回归模型6．1．2 交叉熵损失函数任务 6．2：使用手写体识别数据集 MNIST图像分类数据集-MNIST任务 6．3：深度神经网络解决图像分类问题多层感知机结合 Softmax 完成手写体识别任务 6．4：模型评估6．4．1 选择一个可靠的模型6．4．2 欠拟合和过拟合本章小结本章习题第 7 章 神经网络优化任务 7．1：范数正则化避免过拟合范数正则化任务 7．2：丢弃法正则化避免过拟合丢弃法任务 7．3：掌握改进的优化算法7．3．1 深度学习与优化7．3．2 小批量随机梯度下降算法改进本章小结本章习题第 8 章 卷积神经网络任务 8．1：初识卷积神经网络8．1．1 卷积概述8．1．2 与全连接网络对比任务 8．2：卷积运算8．2．1 卷积核8．2．2 填充和步幅8．2．3 多通道卷积8．2．4 池化层任务 8．3：LeNet 实现物体分类8．3．1 LeNet-开山之作8．3．2 LeNet 进行物体分类本章小结本章习题第 9 章 卷积神经网络经典结构任务 9．1：训练深度卷积神经网络9．1．1 AlexNet9．1．2 图像增广9．1．3 实现 AlexNet任务 9．2：进一步增加网络的深度9．2．1 VGG 系列9．2．2 应用 VGG16 提取特征任务 9．3：认识并行结构的卷积网络9．3．1 GoogLeNet9．3．2 Inceptio结构块9．3．3 1×1 卷积核9．3．4 GoogLeNet 结构任务 9．4：把网络深度提升至上百层9．4．1 深度残差网络9．4．2 稠密连接网络本章小结本章习题0 章 循环神经网络任务 10．1：对时序数据建模10．1．1 时序数据10．1．2 循环神经网络任务 10．2：增加循环神经网络的记忆10．2．1 长短期记忆网络原理10．2．2 Keras 实现 LSTM任务 10．3：优化长短期记忆网络10．3．1 重置门与更新门本章小结本章习题 上一篇: Go语言高级开发与实战 廖显东 2022年版 下一篇: Nginx高性能Web服务器应用与实战：微课版 2022年版
