深度学习案例精粹

深度学习是机器学习中的一个流行子集，能够帮助用户更快速地构建复杂模型，并提供更准确的预测。《深度学习案例精粹》将带领读者进入深度学习的世界，通过实际操作示例来加深理解。
1.《深度学习案例精粹》语言简练，通过问题简述、方法概括及代码，让读者可以尽快理解并上手深度学习的算法。
2.《深度学习案例精粹》给出的代码很好详细，可以直接运行，可以为急于将深度学习应用于实际项目的工程师提供有力帮助，读者可至异步社区下载源代码及彩图文件。
3.《深度学习案例精粹》涵盖了大多数的主流深度学习任务，包括图像领域的图像识别、目标检测任务，自然语言处理中的词嵌入、情感分析任务，以及无监督学习任务等。还介绍了几个深度学习的经典模型，当下深度学习的大多数模型都是在这些基础模型上的改进与组合，不同领域的从业人员或多或少都能从中获得启发。
4.《深度学习案例精粹》使用目前广泛应用的深度学习框架之一—TensorFlow以及很好流行的Python语言进行代码示例，想要进一步学习的读者将会有极多的社区资源。

本书主要讲述了深度学习中的重要概念和技术，并展示了如何使用TensorFlow实现不错机器学习算法和神经网络。本书首先介绍了数据科学和机器学习中的基本概念，然后讲述如何使用TensorFlow训练深度学习模型，以及如何通过训练深度前馈神经网络对数字进行分类，如何通过深度学习架构解决计算机视觉、语言处理、语义分析等方面的实际问题，很后讨论了不错的深度学习模型，如生成对抗网络及其应用。

艾哈迈德·曼肖伊（Ahmed Menshawy）是爱尔兰都柏林三一学院的研究工程师。他在机器学习和自然语言处理领域拥有超过5年的工作经验，并拥有计算机科学硕士学位。他曾在埃及开罗阿勒旺大学（Helwan University）计算机科学系做教学助理，负责机器学习和自然语言处理课程，如机器学习、图像处理等，并参与设计了阿拉伯文字到语音的系统。此外，他还是埃及的IST Networks工业研发实验室的机器学习专家。

第 1章 数据科学——鸟瞰全景 1
1.1  通过示例了解数据科学  2
1.2  设计数据科学算法的流程  7
1.2.1  数据预处理  8
1.2.2  特征选择  8
1.2.3  模型选择  9
1.2.4  学习过程  9
1.2.5  评估模型  9
1.3  开始学习  10
1.4  实现鱼类识别/检测模型  12
1.4.1  知识库/数据集  12
1.4.2  数据分析预处理  14
1.4.3  搭建模型  17
1.5  不同学习类型  22
1.5.1  监督学习  22
1.5.2  无监督学习  23
1.5.3  半监督学习  24
1.5.4  强化学习  24
1.6  数据量和行业需求  25
1.7  总结  25

第  2章 数据建模实战——“泰坦尼克号”示例  27
2.1  线性回归模型  27
2.1.1  原因  28
2.1.2  广告—— 一个财务方面的例子  28
2.2  线性分类模型  36
2.3  “泰坦尼克号”示例——建立和训练模型  38
2.3.1  数据处理和可视化  39
2.3.2  数据分析——监督机器学习  44
2.4  不同类型的误差解析  47
2.5  表现（训练集）误差  47
2.6  泛化/真实误差  48
2.7  总结  48

第3章  特征工程与模型复杂性——重温“泰坦尼克号”示例  49
3.1  特征工程  49
3.1.1  特征工程的类型  50
3.1.2  重温“泰坦尼克号”示例  51
3.2  维度灾难  62
3.3  重温“泰坦尼克号”示例——融会贯通  64
3.4  偏差-方差分解  78
3.5  学习可见性  80
3.6  总结  80

第4章  TensorFlow入门实战  82
4.1  安装TensorFlow  82
4.1.1  在Ubuntu 16.04系统上安装GPU版的TensorFlow  83
4.1.2  在Ubuntu 16.04系统上安装CPU版的TensorFlow  86
4.1.3  在Mac OS X上安装CPU版的TensorFlow  88
4.1.4  在Windows系统上安装CPU/GPU版的TensorFlow  88
4.2  TensorFlow运行环境  89
4.3  计算图  90
4.4  TensorFlow中的数据类型、变量、占位符  91
4.4.1  变量  91
4.4.2  占位符  92
4.4.3  数学运算  92
4.5  获取TensorFlow的输出  94
4.6  TensorBoard——可视化学习过程  95
4.7  总结  101

第5章  TensorFlow基础示例实战  102
5.1  神经元的结构  102
5.2  激活函数  104
5.2.1  sigmoid  105
5.2.2  tanh  105
5.2.3  ReLU  105
5.3  前馈神经网络  106
5.4  需要多层网络的原因  107
5.4.1  训练MLP——反向传播算法  108
5.4.2  前馈传播  109
5.4.3  反向传播和权值更新  110
5.5  TensorFlow术语回顾  110
5.5.1  使用Tensorflow定义多维数组  112
5.5.2  为什么使用张量  114
5.5.3  变量  115
5.5.4  占位符  116
5.5.5  操作  117
5.6  构建与训练线性回归模型  118
5.7  构建与训练逻辑回归模型  123
5.8  总结  130

第6章  深度前馈神经网络——实现数字分类  131
6.1  隐藏单元与架构设计  131
6.2  MNIST数据集分析  133
6.3  数字分类——构建与训练模型  135
6.3.1  分析数据  137
6.3.2  构建模型  140
6.3.3  训练模型  144
6.4  总结  148

第7章  卷积神经网络  149
7.1  卷积运算  149
7.2  动机  152
7.3  CNN的不同层  153
7.3.1  输入层  153
7.3.2  卷积步骤  154
7.3.3  引入非线性  155
7.3.4  池化步骤  156
7.3.5  全连接层  157
7.4  CNN基础示例——MNIST手写数字分类  159
7.4.1  构建模型  162
7.4.2  训练模型  167
7.5  总结  174

第8章  目标检测——CIFAR-10示例  175
8.1  目标检测  175
8.2  CIFAR-10目标图像检测——构建与训练模型  176
8.2.1  使用软件包  176
8.2.2  加载CIFAR-10数据集  177
8.2.3  数据分析与预处理  178
8.2.4  建立网络  183
8.2.5  训练模型  186
8.2.6  测试模型  191
8.3  总结  195

第9章  目标检测——CNN迁移学习  196
9.1  迁移学习  196
9.1.1  迁移学习背后的直觉  197
9.1.2  传统机器学习与迁移学习之间的不同  198
9.2  CIFAR-10目标检测——回顾  199
9.2.1  解决方案大纲  199
9.2.2  加载和探索CIFAR-10数据集  200
9.2.3  inception模型迁移值  204
9.2.4  迁移值分析  207
9.2.5  模型构建与训练  211
9.3  总结  219
第  10章 循环神经网络——语言模型  220
10.1  RNN的直观解释  220
10.1.1  RNN的架构  221
10.1.2  RNN的示例  222
10.1.3  梯度消失问题  224
10.1.4  长期依赖问题  225
10.2  LSTM网络  226
10.3  语言模型的实现  227
10.3.1  生成训练的最小批  230
10.3.2  构建模型  232
10.3.3  训练模型  238
10.4  总结  243

第  11章 表示学习——实现词嵌入  244
11.1  表示学习简介  244
11.2  Word2Vec  245
11.3  skip-gram架构的一个实际例子  248
11.4  实现skip-gram Word2Vec  250
11.4.1  数据分析与预处理  251
11.4.2  构建模型  257
11.4.3  训练模型  259
11.5  总结  264

第  12章 神经网络在情感分析中的应用  265
12.1  常用的情感分析模型  265
12.1.1  RNN——情感分析背景  267
12.1.2  梯度爆炸与梯度消失——回顾  269
12.2  情感分析——模型实现  270
12.2.1  Keras  270
12.2.2  数据分析与预处理  271
12.2.3  构建模型  282
12.2.4  模型训练和结果分析  284
12.3  总结  288

第  13章 自动编码器——特征提取和降噪  289
13.1  自动编码器简介  289
13.2  自动编码器的示例  290
13.3  自动编码器架构  291
13.4  压缩MNIST数据集  292
13.4.1  MNIST数据集  292
13.4.2  构建模型  293
13.4.3  训练模型  295
13.5  卷积自动编码器  297
13.5.1  数据集  297
13.5.2  构建模型  299
13.5.3  训练模型  301
13.6  降噪自动编码器  304
13.6.1  构建模型  305
13.6.2  训练模型  307
13.7  自动编码器的应用  310
13.7.1  图像着色  310
13.7.2  更多的应用  311
13.8  总结  311
第  14章 生成对抗网络  312
14.1  直观介绍  312
14.2  GAN的简单实现  313
14.2.1  模型输入  315
14.2.2  变量作用域  316
14.2.3  Leaky ReLU  316
14.2.4  生成器  317
14.2.5  判别器  318
14.2.6  构建GAN网络  319
14.2.7  训练模型  322
14.2.8  从生成器中采样  327
14.3  总结  328

第  15章 面部生成与标签缺失处理  329
15.1  面部生成  329
15.1.1  获取数据  330
15.1.2  探讨数据集  331
15.1.3  构建模型  332
15.2  用生成对抗网络进行半监督学习  340
15.2.1  直观解释  340
15.2.2  数据分析与预处理  341
15.2.3  构建模型  345
15.3  总结  359

附录A  实现鱼类识别  360