内容简介

本书以实战为主，通过丰富的实战案例向读者介绍深度学习可应用和落地的项目，书中所有案例都基于Python+TensorFlow 2.5+Keras技术，可用于深度学实战训练。本书配套示例源码、PPT课件、思维导图、数据集、开发环境与答疑服务。 全书共分11章。第1章讲解深度学概念、流程、应用场景、模型分类和框架选择，第2~11章列举深度学项目实战案例括手写体识别、数据集分类、情感分类、文本情感分类、编码器、汉字拼音转换、中文文本分类、多标签文本分类、人脸检测、人脸识别、语音汉字转换。 本书内容详尽、案例丰富，是深度学习初学者的参考书，适合有基础、亟待提升自己技术水平的人工智能从业人员，也可作为高等院校和培训机构人工智能及相关专业的教材使用。

目录

目 录第1章 深度学习与应用框架 11.1 深度学概念 11.1.1 何为深度学习 11.1.2 与传统的“浅层学区别 31.2 案例实战：文本的情感分类 31.2.1 步：数据的准备 41.2.2 步：数据的处理 41.2.3 第三步：模型的设计 51.2.4 第四步：模型的训练 51.2.5 第五步：模型的结果和展示 61.3 深度学流程、应用场景和模型分类 71.3.1 深度学流程与应用场景 71.3.2 深度学模型分类 81.4 主流深度学框架对比 91.4.1 深度学选择 101.4.2 本书选择：Keras与TensorFlow 101.5 本章小结 11第2章 实战卷积神经网络—手写体识别 122.1 卷积神经网络理论基础 122.1.1 卷积运算 122.1.2 TensorFlow中的卷积函数 142.1.3 池化运算 162.1.4 softmax激活函数 182.1.5 卷积神经网络原理 192.2 案例实战：MNIST手写体识别 212.2.1 MNIST数据集的解析 212.2.2 MNIST数据集的特征和标签 232.2.3 TensorFlow 2.X编码实现 252.2.4 使用自定义的卷积层实现MNIST识别 292.3 本章小结 32第3章 实战ResNet—CIFAR-100数据集分类 333.1 ResNet理论基础 333.1.1 ResNet诞生的背景 343.1.2 模块工具的TensorFlow实现 373.1.3 TensorFlow模块layers 373.2 案例实战：CIFAR-100数据集分类 443.2.1 CIFAR-100数据集的获取 443.2.2 ResNet残差模块的实现 473.2.3 ResNet网络的实现 493.2.4 使用ResNet对CIFAR-100数据集进行分类 523.3 本章小结 53第4章 实战循环神经网络GRU—情感分类 544.1 情感分类理论基础 544.1.1 复情感分类 544.1.2 什么是GRU 554.1.3 TensorFlow中的GRU层 574.1.4 双向GRU 584.2 案例实战：情感分类 594.2.1 使用TensorFlow自带的模型来实现分类 594.2.2 使用自定义的DPN来实现分类 634.3 本章小结 67第5章 实战图卷积—文本情感分类 685.1 图卷积理论基础 695.1.1 “节点”“邻接矩阵”和“度矩阵”的物理意义 695.1.2 图卷积的理论计算 715.1.3 图卷积神经网络的传播规则 745.2 案例实战：Cora数据集文本分类 755.2.1 Cora数据集简介 755.2.2 Cora数据集的读取与数据处理 775.2.3 图卷积模型的设计与实现 785.2.4 图卷积模型的训练与改进 795.3 案例实战：基于图卷积的情感分类（图卷积前沿内容） 835.3.1 文本结构化处理的思路与实现 835.3.2 使用图卷积对文本进行分类实战 895.3.3 图卷积模型的改进 935.4 本章小结 95第6章 实战自然语言处理—编码器 966.1 编码器理论基础 966.1.1 输入层—初始词向量层和位置编码器层 976.1.2 自注意力层 996.1.3 ticks和LayerNormalization 1046.1.4 多头自注意力 1056.2 案例实战：简单的编码器 1086.2.1 前馈层的实现 1086.2.2 编码器的实现 1096.3 案例实战：汉字拼音转化模型 1136.3.1 汉字拼音数据集处理 1136.3.2 汉字拼音转化模型的确定 1156.3.3 模型训练部分的编写 1196.3.4 推断函数的编写 1206.4 本章小结 121第7章 实战BERT—中文文本分类 1227.1 BERT理论基础 1227.1.1 BERT基本架构与应用 1237.1.2 BERT预训练任务与Fine-Tuning 1247.2 案例实战：中文文本分类 1277.2.1 使用Hugging Face获取BERT预训练模型 1277.2.2 BERT实战文本分类 1287.3 拓展：更多的预训练模型 1337.4 本章小结 136第8章 实战自然语言处理—多标签文本分类 1378.1 多标签分类理论基础 1378.1.1 多标签分类不等于多分类 1378.1.2 多标签分类的激活函数—sigmoid 1388.2 案例实战：多标签文本分类 1398.2.1 步：数据的获取与处理 1398.2.2 步：选择特征抽取模型 1438.2.3 第三步：训练模型的建立 1448.2.4 第四步：多标签文本分类的训练与预测 1458.3 本章小结 148第9章 实战MTN—人脸检测 1499.1 人脸检测基础 1509.1.1 LFW数据集简介 1509.1.2 Dlib库简介 1519.1.3 OpenCV简介 1529.1.4 使用Dlib做出图像中的人脸检测 1529.1.5 使用Dlib和OpenCV建立人脸检测数据集 1569.2 案例实战：基于MTN模型的人脸检测 1579.2.1 MTN模型简介 1589.2.2 MTN模型的使用 1609.2.3 MTN模型中的一些细节 1679.3 本章小结 168第10章 实战SiameseModel—人脸识别 16910.1 基于深度学人脸识别模型 16910.1.1 人脸识别的基本模型SiameseModel 17010.1.2 SiameseModel的实现 17110.1.3 人脸识别数据集的准备 17310.2 案例实战：基于相似度计算的人脸识别模型 17510.2.1 一种新的损失函数Triplet Loss 17510.2.2 基于TripletSemiHardLoss的MNIST模型 17810.2.3 基于TripletSemiHardLoss和SENET的人脸识别模型 18410.3 本章小结 187第11章 实战MFCC和CTC—语音转换 18811.1 MFCC理论基础 18811.1.1 MFCC 18811.1.2 CTC 19411.2 案例实战：语音汉字转换 19711.2.1 步：数据集THCHS-30简介 19711.2.2 步：数据集的提取与转化 19811.3 本章小结 204