深度学习：基于PyTorch的实现

第1章 导 论
1.1 人工智能
1.1.1 人工智能的发展历史
1.1.2 人工智能的流派
1.2 机器学习
1.3 深度学习
1.3.1 深度学习的概念
1.3.2 深度学习与机器学习、人工智能的关系
1.3.3 深度学习的历史溯源
1.3.4 深度学习与回归分析
1.4 深度学习适用的领域
1.4.1 图像识别
1.4.2 语音识别
1.4.3 自然语言处理
1.4.4 棋牌竞技
1.5 常用的深度学习框架
1.5.1 Caffe
1.5.2 TensorFlow
1.5.3 PyTorch
1.5.4 MXNet
1.5.5 Keras
1.6 本书使用的数据和代码说明
第2章 神经网络的张量与数学基础
2.1 张 量
2.1.1 张量的定义
2.1.2 张量的数据类型
2.1.3 张量的创建方式
2.1.4 应用：图像数据转张量
2.2 张量的操作
2.2.1 获取和改变张量形状
2.2.2 提取张量中的元素
2.2.3 张量的拼接与拆分
2.3 张量的运算
2.3.1 基本运算
2.3.2 统计相关运算
2.3.3 矩阵运算
2.4 深度学习的导数基础
2.4.1 单变量函数和导数
2.4.2 多变量函数和偏导数
2.4.3 复合函数和链式求导法则
2.5 梯度下降算法的含义与公式
2.6 本章小结
第3章 前馈神经网络
3.1 前馈神经网络的基本结构和常见激活函数
3.1.1 神经元
3.1.2 Sigmoid函数
3.1.3 Tanh函数
3.1.4 ReLU函数
3.1.5 前馈神经网络的构成
3.2 损失函数的设置
3.3 梯度下降算法
3.3.1 梯度下降算法的直观理解与定义
3.3.2 小批量梯度下降算法
3.3.3 动量梯度下降算法
3.3.4 Nesterov梯度加速算法
3.3.5 自适应梯度算法
3.3.6 AdaDelta算法
3.3.7 均方根加速算法
3.3.8 自适应矩估计算法
3.4 反向传播算法
3.4.1 单个神经元的反向传播算法示例
3.4.2 两层神经网络的反向传播算法示例
3.5 过拟合
3.5.1 偏差-方差分解
3.5.2 正则化
3.5.3 权重衰减
3.5.4 丢弃法
3.6 本章小结
第4章 神经网络的PyTorch实现
4.1 线性回归案例：颜值打分
4.1.1 线性回归基础
4.1.2 案例：颜值打分
4.2 逻辑回归案例：性别识别
4.2.1 逻辑回归基础
4.2.2 案例：性别识别
4.3 softmax回归案例：Fashion-MNIST数据集分类
4.3.1 softmax回归基础
4.3.2 案例：Fashion-MNIST数据集分类
4.4 本章小结
第5章 卷积神经网络基础
5.1 卷积神经网络的基本结构
5.2 卷积与池化的通俗理解
5.2.1 卷积的通俗理解
5.2.2 池化的通俗理解
5.3 卷积操作
5.3.1 卷积的定义
5.3.2 填充与步长
5.3.3 多通道卷积
5.4 池化操作
5.4.1 单通道池化
5.4.2 多通道池化
5.5 CNN模型实战：手写数字识别
5.5.1 数据准备
5.5.2 构建数据读取器
5.5.3 LeNet-5网络构建及代码实现
5.5.4 模型训练
5.5.5 层卷积核与特征图的可视化
5.5.6 第二层卷积核与特征图的可视化
5.6 本章小结
第6章 经典CNN模型介绍
6.1 AlexNet模型原理与实现
6.1.1 AlexNet网络结构
6.1.2 AlexNet创新点
6.1.3 案例：AlexNet用于CIFAR10数据集的图片分类
6.1.4 AlexNet网络构建及代码实现
6.1.5 模型训练
6.2 VGG模型原理与实现
6.2.1