集深度學習原理、代碼、實踐、平臺四位一體，助力讀者在AI浪潮中脫穎而出

●第1章零基礎入門深度學習
1.1機器學習和深度學習綜述
1.1.1人工智能、機器學習、深度學習的關繫
1.1.2機器學習
1.1.3深度學習
1.1.4作業
1.2使用Python和NumPy構建神經網絡模型
1.2.1波士頓房價預測任務
1.2.2構建波士頓房價預測任務的神經網絡模型
1.2.3小結
1.2.4作業
1.3飛槳開源深度學習平臺介紹
1.3.1深度學習框架
1.3.2飛槳開源深度學習平臺
1.3.3作業
1.4使用飛槳重寫房價預測模型
1.4.1飛槳深度學習平臺設計之“道”
1.4.2使用飛槳構建波士頓房價預測模型
1.4.3作業
1.5NumPy介紹
1.5.1概述
1.5.2基礎數據類型：ndarray數組
1.5.3隨機數np.random
1.5.4線性代數
1.5.5NumPy保存和導入文件
1.5.6NumPy應用舉例
1.5.7作業
第2章一個案例帶你喫透深度學習
2.1使用飛槳完成手寫數字識別模型
2.1.1手寫數字識別任務
2.1.2構建手寫數字識別的神經網絡模型
2.1.3飛槳各模型代碼結構一致，大大降低了用戶的編碼難度
2.1.4采用“橫縱式”教學法，適用於深度學習初學者
2.2通過極簡方案快速構建手寫數字識別模型
2.2.1通過極簡方案構建手寫數字識別模型
2.2.2作業
2.3“手寫數字識別”之數據處理
2.3.1概述
2.3.2讀入數據並劃分數據集
2.3.3訓練樣本亂序並生成批次數據
2.3.4校驗數據有效性
2.3.5封裝數據讀取與處理函數
2.3.6異步數據讀取
2.4“手寫數字識別”之網絡結構
2.4.1概述
2.4.2經典的全連接神經網絡
2.4.3卷積神經網絡
2.5“手寫數字識別”之損失函數
2.5.1概述
2.5.2分類任務的損失函數
2.5.3作業
2.6“手寫數字識別”之優化算法
2.6.1概述
2.6.2設置學習率
2.6.3學習率的主流優化算法
2.6.4作業
2.7“手寫數字識別”之資源配置
2.7.1概述
2.7.2單GPU訓練
2.7.3分布式訓練
2.8“手寫數字識別”之訓練調試與優化
2.8.1概述
2.8.2計算模型的分類準確率
2.8.3檢查模型訓練過程，識別潛在訓練問題
2.8.4加入校驗或測試，更好評價模型效果
2.8.5加入正則化項，避免模型過擬合
2.8.6可視化分析
2.8.7作業
2.9“手寫數字識別”之恢復訓練
2.9.1概述
2.9.2恢復訓練
2.10完整掌握深度學習建模小結
第3章計算機視覺
3.1卷積神經網絡基礎
3.1.1概述
3.1.2卷積神經網絡
3.1.3作業
3.2卷積的四種操作
3.2.1概述
3.2.2池化
3.2.3ReLU激活函數
3.2.4批歸一化
3.2.5丟棄法
3.2.6作業
3.3圖像分類
3.3.1概述
3.3.2LeNet
3.3.3AlexNet
3.3.4VGG
3.3.5GoogLeNet
3.3.6ResNet
3.3.7小結
3.3.8作業
第4章目標檢測YOLOv3
4.1目標檢測基礎概念
4.1.1概述
4.1.2目標檢測發展歷程
4.1.3目標檢測基礎概念
4.2目標檢測數據處理
4.3目標檢測YOLOv3
4.3.1YOLOv3模型設計思想
4.3.2產生候選區域
4.3.3對候選區域進行標注
4.3.4圖形特征提取
4.3.5計算預測框位置和類別
4.3.6定義損失函數
4.3.7多尺度檢測
4.3.8網絡訓練
4.3.9模型預測
4.3.10模型效果及可視化展示
4.4AI識蟲比賽
4.4.1AI識蟲比賽
4.4.2實現參考
4.4.3更多思路參考
第5章自然語言處理
5.1自然語言處理
5.1.1概述
5.1.2自然語言處理的發展歷程
5.1.3自然語言處理技術面臨的挑戰
5.1.4自然語言處理的常見任務
5.1.5使用深度學習解決自然語言處理任務的套路
5.1.6使用飛槳探索自然語言處理
5.1.7作業
5.2詞向量Word Embedding
5.2.1概述
5.2.2如何將詞轉換為向量
5.2.3如何讓向量具有語義信息
5.3使用飛槳實現Skipgram
5.3.1概述
5.3.2數據處理
5.3.3網絡定義
5.3.4網絡訓練
5.3.5詞向量的有趣使用
5.3.6作業
第6章情感分析
6.1自然語言情感分析
6.1.1概述
6.1.2使用深度神經網絡完成情感分析任務
6.1.3作業
6.2循環神經網絡RNN和長短時記憶網絡LSTM
6.2.1RNN和LSTM網絡的設計思考
6.2.2循環神經網絡RNN
6.2.3長短時記憶網絡LSTM
6.2.4作業
6.3使用LSTM完成情感分析任務
6.3.1概述
6.3.2使用飛槳實現基於LSTM的情感分析模型
6.4AI文本分類比賽
6.4.1中文新聞標題分類比賽
6.4.2更多思路參考
第7章推薦繫統
7.1推薦繫統介紹
7.1.1推薦繫統的產生背景
7.1.2推薦繫統的基本概念
7.1.3思考有哪些信息可以用於推薦
7.1.4使用飛槳探索電影推薦
7.1.5作業
7.2數據處理與讀取
7.2.1數據集回顧
7.2.2數據處理流程
7.2.3構建數據讀取器
7.2.4小結
7.3電影推薦模型設計
7.3.1模型設計介紹
7.3.2Embedding介紹
7.3.3電影特征提取網絡
7.3.4相似度計算
7.3.5小結
7.4模型訓練與特征保存
7.4.1模型訓練
7.4.2保存特征
7.4.3作業
7.5電影推薦
7.5.1根據用戶喜好推薦電影
7.5.2幾點思考收獲
7.5.3在工業實踐中的推薦繫統
7.5.4作業
第8章精通深度學習的高級內容
8.1精通深度學習的高級內容
8.1.1為什麼要精通深度學習的高級內容
8.1.2高級內容包含哪些武器
8.1.3飛槳開源組件使用場景概覽
8.2模型資源之一：預訓練模型應用工具PaddleHub
8.2.1概述
8.2.2預訓練模型的應用背景
8.2.3快速使用PaddleHub
8.2.4PaddleHub提供的預訓練模型
8.2.5使用自己的數據Fine-tune PaddleHub預訓練模型
8.2.6PaddleHub創意賽
8.2.7往屆優秀學員作品展示
8.3模型資源之二：各領域的開發套件
8.3.1概述
8.3.2PaddleSeg用於解決圖像分割的問題
8.3.3PaddleSeg是開發套件，不僅是模型庫
8.3.4PaddleSeg實戰
8.3.5作業
8.3.6相關參考
8.3.7往屆優秀學員作品展示
8.4模型資源之三：模型庫介紹
8.4.1概述
8.4.2從模型庫中篩選自己需要的模型
8.4.3使用飛槳模型庫或在其基礎上二次研發的優勢
8.4.4一個案例掌握Models的使用方法
8.4.5相關參考
8.5設計思想、靜態圖、動態圖和二次研發
8.5.1飛槳設計思想的核心概念
8.5.2飛槳聲明式編程(靜態圖)與命令式編程(動態圖)
8.5.3飛槳二次研發
8.6工業部署
8.6.1概述
8.6.2飛槳模型部署組件介紹
8.6.3飛槳原生推理庫Paddle Inference
8.6.4飛槳服務化部署框架Paddle Serving
8.6.5飛槳輕量化推理引擎Paddle Lite
8.6.6飛槳模型壓縮工具PaddleSlim
8.6.7往屆優秀學員作品展示
8.7飛槳全流程開發工具PaddleX
8.7.1飛槳全流程開發工具PaddleX
8.7.2PaddleX圖形化開發界面
8.7.3PaddleX快速使用方法
8.7.4PaddleX客戶端使用方法
8.7.5往屆優秀學員作品展示
8.8應用啟發：行業應用與項目案例
8.8.1人工智能在中國的發展和落地概況
8.8.2傳統行業有AI應用空間嗎
8.8.3項目案例：飛槳助力國網山東進行輸電通道可視化巡檢
8.8.4作業
8.8.5往屆優秀學員作品展示

本書從人工智能、機器學習和深度學習三者的關繫開始，以深度學習在計算機視覺、自然語言處理和推薦繫統的應用實踐為主線，逐步剖析模型原理和代碼實現。書中的內容深入淺出，通過原理與代碼結合、產業實踐和作業題結合的方式，幫助讀者更好掌握深度學習的相關知識和深度學習開源框架的使用方法。為了讓更多的讀者從中受益，快速應對復雜多變的AI應用，書中還介紹各種模型資源和輔助工具，旨在幫助讀者在人工智能的戰場上武裝到牙齒，和“AI大師”一樣無往不利。人工智能是一門跨學科的技術，本書可作為深度學習的入門讀物，也可作為人工智能或相關學科本科生和研究生的教材，還可供AI愛好者和從業者使用。