●前言本書內容導圖章 神經網絡初體驗 11.1 開發環境的安裝 11.2 快速構建一個識別手寫數字圖片的神經網絡 2第2章 深度學習中的微積分基礎 82.1 實數中的無理數 82.2 什麼叫極限 102.3 函數的連續性 122.4 函數求導 132.5 導數的一般法則 152.6 間套函數的鏈式求導法則 172.7 多變量函數與偏導數 192.8 導數與極值 192.9 使用導數尋求函數的最小值 21第3章 深度學習的線性代數基礎 253.1 常量與向量 263.2 矩陣及相關操作 263.3 tensor——多維向量 283.4 向量範數 30第4章 神經網絡的理論基礎 314.1 詳解神經網絡中激活函數 314.2 使用矩陣運算驅動神經網絡數據加工鏈 384.3 通過反向傳播算法回傳誤差改進鏈路權重 424.4 使用矩陣和梯度下降法實現神經網絡的迭代訓練 454.5 手算梯度下降法，詳解神經網絡迭代訓練過程 53第5章 用Python從零實現識別手寫數字的神經網絡 585.1 基本框架的搭建 585.2 實現網絡的迭代訓練功能 625.3 網絡訓練，識別手寫數字圖片 64第6章 神經網絡項目實踐 706.1 使用神經網絡分析電影評論的正能量和負能量 706.2 使用神經網絡實現新聞話題分類 786.3 使用神經網絡預測房價中位數 83第7章 使用神經網絡實現機器視覺識別 907.1 卷積神經網絡入門 907.2 從零開始構造一個識別貓、狗圖片的卷積網絡 937.3 使用預先訓練的卷積網絡實現圖像快速識別 1017.4 視覺化神經網絡的學習過程 1057.5 揭秘卷積網絡的底層原理 109第8章 用深度學習實現自然語言處理 1248.1 Word Embedding 單詞向量化 1248.2 概率論的一些重要概念 1308.3 skip-gram單詞向量化算法的數學原理 1368.4 使用預先訓練好的單詞向量實現新聞摘要分類 1408.5 RNN——具有記憶功能的神經網絡 1438.6 LSTM網絡層詳解及其應用 1458.7 使用RNN和CNN混合的“雞尾酒療法”提升網絡運行效率 148第9章 自動編解碼網絡和生成型對抗性網絡 1509.1 自動編解碼器網絡的原理與實現 1509.2 去噪型編解碼網絡 1549.3 使用自動編解碼網絡實現黑白圖片上色 1579.4 生成型對抗性網絡 1629.5 生成型對抗性網絡的代碼實現 1639.6 條件性生成型對抗性網絡 1690章 增強性學習網絡開發實踐 17610.1 增強性學習網絡的基本原理 17610.2 開發環境配置 17710.3 增強性學習網絡的數學原理 17910.4 Bellman函數和最優化 18010.5 Bellman等式的推導 18110.6 用實例講解Bellman函數的應用 18210.7 解決冰凍湖問題 18510.8 ε貪婪算法 18810.9 運用神經網絡和Bellman函數解決Cartpole問題 1881章 TensorFlow入門 19311.1 TensorFlow圖運算原理 19311.2 TensorFlow代碼實踐 19511.3 TensorFlow的輸入、變量、輸出及運算操作 19711.4 TensorFlow的變量定義 20011.5 TensorFlow的運算輸出及運算操作 20111.6 用TensorFlow開發神經網絡的相關操作 20411.7 開發TensorFlow程序應注意的事項 20711.8 使用TensorFlow開發神經網絡 2132章 使用TensorFlow和Keras 開發不錯自然語言處理繫統 21812.1 Skip-Gram算法實現 21812.2 使用RNN網絡模型的基本原理 23012.3 代碼實現RNN網絡 23212.4 LSTM網絡的結構原理 24212.5 使用LSTM網絡實現人機問答繫統 2473章 使用TensorFlow和Keras 實現不錯圖像識別處理繫統 25613.1 實現藝術風格的轉換 25613.2 使用膠囊網絡實現服裝識別 26613.3 使用TensorFlow API 實現精準物體識別 28513.4 DeeDream：使用神經網絡構造具有驚悚審美效果的藝術作品 2934章 使用TensorFlow和Keras 打造智能推薦繫統 30014.1 創造一個網易雲音樂推薦引擎 30014.2 使用TensorFlow構建高質量商品推薦繫統 30914.3 實現淘寶“拍立淘”圖片搜索引擎 3135章 深度學習的重要概念和技巧總結 319