《深度學習理論與實踐》呂雲翔，王誌鵬『EPUB電子書下載』

呂雲翔，北京航空航天大學副教授。從2003年在北航軟件學院工作以來，一直講授本科生的“計算機導論”、“職業生涯規劃”和“軟件工程”這三門課，以及研究生的“軟件工程”課（全英文，2003-2007）。在教學上能夠認真備課，積極探索，並且能夠將大量的教學經驗（從1986年開始從教）應用到實際的教學中，教學效果良好，使學生能夠很好地掌握相關的知識和技能。先後以第一作者著、編著和翻譯了二十多本書。2009年獲得北航軟件學院著書特別獎。獲北航教學成果二等獎一項（2012），三等獎兩項（2010、2014）。

前言
第1部分深度學習理論基礎
第1章深度學習簡介
11計算機視覺
111定義
112基本任務
113傳統方法
114仿生學與深度學習
115現代深度學習
116卷積神經網絡
12自然語言處理
121自然語言處理的基本問題
122傳統方法與神經網絡方法的比較
123發展趨勢
13強化學習
131什麼是強化學習
132強化學習算法簡介
133強化學習的應用
14本章小結
習題
第2章深度學習框架
21PyTorch
211什麼是PyTorch
212PyTorch的特點
213PyTorch應用概述
22TensorFlow
221什麼是TensorFlow
222數據流圖
223TensorFlow的特點
224TensorFlow應用概述
23PaddlePaddle
231什麼是PaddlePaddle
232PaddlePaddle的特點
233PaddlePaddle應用概述
24三者的比較
25本章小結
習題
第3章機器學習基礎知識
31機器學習概述
311關鍵術語
312機器學習的分類
313機器學習的模型構造過程
32監督學習
321線性回歸
322邏輯斯諦回歸
323最小近鄰法
324線性判別分析法
325樸素貝葉斯分類器
326決策樹分類算法
327支持向量機分類算法
33無監督學習
331劃分式聚類方法
332層次化聚類方法
333基於密度的聚類方法
34強化學習
341強化學習、監督學習和無監督學習
342強化學習問題描述
343強化學習問題分類
35神經網絡和深度學習
351感知器模型
352前饋神經網絡
353卷積神經網絡
354其他類型結構的神經網絡
36本章小結
習題
第4章回歸模型
41線性回歸模型
42Logistic回歸模型
43用PyTorch實現Logistic回歸
431數據準備
432線性方程
433激活函數
434損失函數
435優化算法
436模型可視化
44本章小結
習題
第5章神經網絡基礎
51基礎概念
52感知器
521單層感知器
522多層感知器
53BP神經網絡
531梯度下降
532反向傳播
54Dropout正則化
55批標準化
551批標準化的實現方式
552批標準化的使用方法
56本章小結
習題
第6章卷積神經網絡(CNN)與計算機視覺
61卷積神經網絡的基本思想
62卷積操作
63池化層
64卷積神經網絡
65經典網絡結構
651VGG網絡
652InceptionNet
653ResNet
654GAN
655Diffusion模型
66用PyTorch進行手寫數字識別
67本章小結
習題
第7章神經網絡與自然語言處理
71語言建模
72基於多層感知機的架構
73基於循環神經網絡的架構
731循環單元
732通過時間反向傳播
733帶有門限的循環單元
734循環神經網絡語言模型
735神經機器翻譯
74基於卷積神經網絡的架構
75基於Transformer的架構
751多頭注意力
752非參位置編碼
753編碼器單元與解碼器單元
76表示學習與預訓練技術
761詞向量
762加入上下文信息的特征表示
763網絡預訓練
77本章小結
習題
第2部分深度學習實驗
第8章操作實踐
81PyTorch操作實踐
811PyTorch安裝
812Tensor 對象及其運算
813Tensor 的索引和切片
814Tensor的變換、拚接和拆分
815PyTorch的Reduction操作
816PyTorch的自動微分
82TensorFlow操作實踐
821TensorFlow安裝
822Tensor 對象及其運算
823Tensor 的索引和切片
824Tensor 的變換、拚接和拆分
825TensorFlow的Reduction操作
826TensorFlow 的自動微分
83PaddlePaddle操作實踐
831PaddlePaddle安裝
832Tensor 的創建和初始化
833Tensor的常見基礎操作
834自動微分
84本章小結
第9章人工智能熱門研究領域實驗
91計算機視覺
911一個通用的圖像分類模型
912兩階段目標檢測和語義分割
913人物圖像處理
914調用遠程服務
915動漫圖像生成
92自然語言處理
921垃圾郵件分類
922詞嵌入技術
923文本生成與多輪對話
924語音識別
93強化學習：一個會玩平衡擺的智能體
94可視化技術
941使用TensorBoard可視化訓練過程
942卷積核可視化
943注意力機製可視化
95本章小結
第3部分深度學習案例
第10章案例：花卉圖片分類
101環境與數據準備
1011環境安裝
1012數據集簡介
1013數據集下載與處理
102模型創建、訓練和測試
1021模型創建與訓練
1022測試與結果
103本章小結
第11章案例：人臉關鍵點檢測
111數據準備
1111人臉裁剪與縮放
1112數據歸一化處理
1113整體代碼
112模型搭建與訓練
1121特征圖生成
1122模型搭建
1123模型訓練
113模型評價
114本章小結
第12章案例：街景門牌字符識別
121背景介紹
122算法介紹
1221YOLOv4
1222算法流程
123模型優化
1231數據增強
1232模型融合
124結果展