前言
項目1 深度學概述
【項目導讀】
【項目基礎知識】
1.1 了解深度學
1.1.1 深度學的概念
1.1.2 深度學的發展歷程
1.1.3 人工智能、機器學和深度
學的關系
1.2 機器學算法的分類
1.2.1 監督學
1.2.2 無監督學
1.2.3 半監督學
1.2.4 強化學
1.3 深度學的應用情況
1.3.1 計算機視覺領域應用情況
1.3.2 自然語言處理領域應用情況
1.3.3 其他領域應用情況
1.4 常用框架對比
1.4.1 TensorFlow
1.4.2 Caffe
1.4.3 PyTorch
項目小結
課后練
項目2 PyTorch環境配置與基本應用
【項目導讀】
【項目基礎知識】
2.1 Anaconda管理器和環境管理器
2.2 PyTorch深度學框架
2.3 Tensor對象及其運算
2.3.1 初識Tensor
2.3.2 Tensor的創建
2.3.3 Tensor的基本作
2.4 自動求導機制
【項目實施】
任務2.1 搭建虛擬環境和安裝開發工具
任務2.2 Tensor的應用
任務2.3 Autograd的應用
項目小結
課后練
項目3 基于機器學邏輯回歸實現分類預測
【項目導讀】
【項目基礎知識】
3.1 回歸與分類
3.2 回歸分析
3.2.1 線性回歸
3.2.2 非線性回歸
3.3 分類
【項目實施】
任務機器學算法邏輯回歸應用
項目小結
課后練
項目4 基于經網絡實現房預測
【項目導讀】
【項目基礎知識】
4.1 基礎的經網絡結構
4.1.1 人工經元
4.1.2 單層感知機
4.1.3 多層感知機
4.2 深度學的工作流程
4.2.1 數據加載
4.2.2 數據預處理
4.2.3 構建經網絡
4.2.4 訓練配置
4.2.5 訓練網絡
4.2.6 模型評估
4.2.7 模型存與調用
【項目實施】
任務4.1 數據準備
任務4.2 經網絡的搭建與訓練配置
任務4.3 經網絡訓練和模型評估
項目小結
課后練
項目5 基于LetNet-5實現圖像分類
【項目導讀】
【項目基礎知識】
5.1 了解卷積經網絡
5.1.1 卷積經網絡的結構
5.1.2 卷積作工作原理
5.1.3 池化層工作原理
5.2 卷積經網絡結構
5.2.2 AlexNet
5.2.3 VGGNet
5.2.4 GoogL-eNet
5.2.5 ResNet
5.3 欠擬合和過擬合
5.3.1 欠擬合和過擬合的概念
5.3.2 欠擬合和過擬合的解決方法
5.4 圖像增廣
5.4.1 圖像增廣的意義
5.4.2 圖像增廣的實現
【項目實施】
任務5.1 數據準備
任務5.2 卷積經網絡的搭建與訓練
配置
任務5.3 卷積經網絡訓練和模型驗證
項目小結
課后練
項目6 基于LSTM實現股票格預測
【項目導讀】
【項目基礎知識】
6.1 循環經網絡
6.1.1 時序數據
6.1.2 循環經網絡的結構
6.1.3 循環經網絡的建模
6.2 長短期記憶網絡
【項目實施】
任務6.1 數據準備
任務6.2 LSTM網絡的搭建與訓練配置
任務6.3 LSTM網絡訓練與模型評估
項目小結
課后練
項目7 基于DCGAN實現真假圖像識別
【項目導讀】
【項目基礎知識】
7.1 生成對抗網絡
7.1.1 生成對抗網絡概述
7.1.2 生成對抗網絡的基本原理
7.1.3 的生成對抗網絡結構
7.2 隨機種子及其使用方法
7.2.1 隨機種子的意義
7.2.2 隨機種子的生成方法
7.2.3 CPU和GPU隨機種子的設置
【項目實施】
任務7.1 數據準備
任務7.2 DCGAN網絡的搭建與訓練配置
任務7.3 DCGAN網絡訓練與模型評估
項目小結
課后練
項目8 基于CycleGAN實現圖像風格遷移
【項目導讀】
【項目基礎知識】
8.1 CycleGAN網絡結構
8.2 圖像風格遷移的工作原理
【項目實施】
任務8.1 數據準備
任務8.2 CycleGAN網絡的搭建與訓練配置
任務8.3 CycleGAN網絡訓練與模型評估
項目小結
課后練
項目9 基于Mask R-CNN實現目標檢測
【項目導讀】
【項目基礎知識】
9.1 目標檢測算法
9.1.1 認識目標檢測
9.1.2 基于候選區域的目標檢測算法
9.1.3 基于回歸的目標檢測算法
9.2 目標檢測的預測框
【項目實施】
任務9.1 數據準備
任務9.2 Mask R-CNN模型的搭建與訓練配置
任務9.3 Mask R-CNN網絡訓練與模型評估
任務9.4 Mask R-CNN模型測試
項目小結
課后練
參考文獻