下载地址：

本书由百度官方出品，百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐。

 

 

本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。

 

 

在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。

序

 

前言

 

部分　数学与编程基础篇

 

第1章　数学基础与Python库 2

 

1.1　Python是进行人工智能编程的主要语言 2

 

1.2　数学基础     3

 

1.2.1　线性代数基础  3

 

1.2.2　微积分基础      7

 

1.3　Python库的操作 14

 

1.3.1　NumPy操作     14

 

1.3.2　Matplotlib操作 19

 

1.4　本章小结     23

 

第2章　深度学习概论与飞桨入门  24

 

2.1　人工智能、机器学习和深度学习    25

 

2.1.1　人工智能   25

 

2.1.2　机器学习   26

 

2.1.3　深度学习   26

 

2.2　深度学习的发展历程 27

 

2.2.1　神经网络的次高潮  27

 

2.2.2　神经网络的次寒冬  28

 

2.2.3　神经网络的第二次高潮  30

 

2.2.4　神经网络的第二次寒冬  30

 

2.2.5　深度学习的来临      31

 

2.2.6　深度学习崛起的时代背景     31

 

2.3　深度学习的应用场景 31

 

2.3.1　图像与视觉      32

 

2.3.2　语音识别   32

 

2.3.3　自然语言处理  33

 

2.3.4　个性化推荐      33

 

2.4　常见的深度学习网络结构 34

 

2.4.1　全连接网络结构      34

 

2.4.2　卷积神经网络  34

 

2.4.3　循环神经网络  35

 

2.5　机器学习回顾     35

 

2.5.1　线性回归的基本概念      36

 

2.5.2　数据处理   37

 

2.5.3　模型概览   38

 

2.5.4　效果展示   39

 

2.6　深度学习框架简介     40

 

2.6.1　深度学习框架的优势      40

 

2.6.2　常见的深度学习框架      41

 

2.6.3　飞桨简介   42

 

2.6.4　飞桨安装   42

 

2.6.5　AI Studio   43

 

2.7　飞桨实现     44

 

2.8　飞桨服务平台和工具组件 51

 

2.8.1　PaddleHub 51

 

2.8.2　X2Paddle   54

 

2.8.3　PARL 56

 

2.8.4　EasyDL     61

 

2.9　本章小结     62

 

第二部分　深度学习基础篇

 

第3章　深度学习的单层网络  64

 

3.1　Logistic回归模型       64

 

3.1.1　Logistic回归概述    64

 

3.1.2　损失函数   66

 

3.1.3　Logistic回归的梯度下降       68

 

3.2　实现Logistic回归模型      72

 

3.2.1　NumPy版本     73

 

3.2.2　飞桨版本   80

 

3.3　本章小结     88

 

第4章　浅层神经网络      89

 

4.1　神经网络     89

 

4.1.1　神经网络的定义及其结构     89

 

4.1.2　神经网络的计算      91

 

4.2　BP算法 96

 

4.2.1　逻辑回归与BP算法       96

 

4.2.2　单样本双层神经网络的BP算法   97

 

4.2.3　多样本神经网络的BP算法   100

 

4.3　BP算法实践       103

 

4.3.1　NumPy版本     103

 

4.3.2　飞桨版本   110

 

4.4　本章小结     114

 

第5章　深层神经网络      116

 

5.1　深层网络介绍     116

 

5.1.1　深度影响算法能力  116

 

5.1.2　网络演化过程与常用符号     118

 

5.2　传播过程     120

 

5.2.1　神经网络算法核心思想  120

 

5.2.2　深层网络正向传播过程  120

 

5.2.3　深层网络反向传播过程  121

 

5.2.4　传播过程总结  122

 

5.3　网络的参数  124

 

5.4　代码实现     125

 

5.4.1　NumPy版本     125

 

5.4.2　飞桨版本   128

 

5.5　本章小结     130

 

第6章　卷积神经网络      131

 

6.1　图像分类问题描述     131

 

6.2　卷积神经网络介绍     132

 

6.2.1　卷积层      132

 

6.2.2　ReLU激活函数       136

 

6.2.3　池化层      137

 

6.2.4　Softmax分类层       138

 

6.2.5　主要特点   139

 

6.2.6　经典神经网络架构  140

 

6.3　飞桨实现     145

 

6.3.1　数据介绍   145

 

6.3.2　模型概览   146

 

6.3.3　配置说明   146

 

6.4　本章小结     153

 

第7章　循环神经网络      154

 

7.1　任务描述     154

 

7.2　循环神经网络介绍     155

 

7.2.1　长短期记忆网络      156

 

7.2.2　门控循环单元  157

 

7.2.3　双向循环神经网络  158

 

7.2.4　卷积循环神经网络  159

 

7.3　利用飞桨实现机器翻译     159

 

7.3.1　数据准备   159

 

7.3.2　柱搜索     163

 

7.3.3　模型配置   167

 

7.3.4　模型训练   168

 

7.3.5　加载训练模型进行预测  169

 

7.4　本章小结     170

 

第8章　注意力机制   171

 

8.1　任务描述     171

 

8.2　注意力机制介绍  172

 

8.2.1　Transformer      172

 

8.2.2　Non-local神经网络 175

 

8.2.3　Attention Cluster神经网络     176

 

8.3　利用飞桨实现视频分类     177

 

8.3.1　Non-local神经网络 177

 

8.3.2　Attention Cluster      183

 

8.4　本章小结     195

 

第9章　算法优化      196

 

9.1　基础知识     196

 

9.1.1　训练、验证和测试集      196

 

9.1.2　偏差和方差      197

 

9.2　评估      198

 

9.2.1　选定评估目标  198

 

9.2.2　迭代过程   199

 

9.2.3　欠拟合和过拟合      199

 

9.3　调优策略     199

 

9.3.1　降低偏差   199

 

9.3.2　降低方差   204

 

9.4　超参数调优  209

 

9.4.1　随机搜索和网格搜索      209

 

9.4.2　超参数范围      209

 

9.4.3　分阶段搜索      210

 

9.4.4　例子：对学习率的调整  210

 

9.5　本章小结     212

 

第三部分　飞桨实践篇

 

第10章　目标检测     214

 

10.1　任务描述    214

 

10.2　常见模型解析   217

 

10.2.1　R-CNN系列   217

 

10.2.2　YOLO     223

 

10.2.3　SSD  228

 

10.3　PaddleDetection应用实践       231

 

10.3.1　Faster-R-CNN 231

 

10.3.2　YOLOv3  234

 

10.4　本章小结    237

 

第11章　图像生成     238

 

11.1　任务描述    238

 

11.1.1　图像生成 238

 

11.1.2　图像–图像转换    239

 

11.1.3　文本–图像转换    239

 

11.2　模型概览    240

 

11.2.1　图像生成 240

 

11.2.2　图像–图像    241

 

11.2.3　文本–图像    246

 

11.3　PaddleGAN应用实践      248

 

11.3.1　数据准备 248

 

11.3.2　参数设置 248

 

11.3.3　网络结构定义 249

 

11.3.4　模型训练 253

 

11.3.5　模型测试    256

 

11.4　本章小结    257

 

第12章　情感分析     258

 

12.1　任务描述    258

 

12.2　算法原理解析   259

 

12.2.1　BOW       259

 

12.2.2　DB-LSTM      259

 

12.3　情感分析应用实践   261

 

12.3.1　数据集下载    261

 

12.3.2　配置模型 262

 

12.3.3　训练模型 268

 

12.4　本章小结    273

 

第13章　机器翻译     274

 

13.1　任务描述    274

 

13.2　算法原理解析   275

 

13.2.1　Seq2Seq   275

 

13.2.2　Transformer    276

 

13.3　机器翻译应用实践   287

 

13.3.1　数据准备 287

 

13.3.2　模型配置 287

 

13.3.3　模型训练 289

 

13.3.4　模型测试 291

 

13.3.5　模型评估 292

 

13.4　本章小结    292

 

第14章　语义表示     293

 

14.1　任务描述    293

 

14.2　常见模型解析   294

 

14.2.1　ELMo      294

 

14.2.2　ERNIE     296

 

14.3　ERNIE应用实践      300

 

14.3.1　数据准备 301

 

14.3.2　模型配置 301

 

14.3.3　模型训练 302

 

14.3.4　模型评估 305

 

14.4　本章小结    305

 

第15章　个性化推荐 306

 

15.1　问题描述    306

 

15.2　传统推荐方法   307

 

15.2.1　基于内容的推荐    307

 

15.2.2　协同过滤推荐 309

 

15.2.3　混合推荐 310

 

15.3　深度学习推荐方法   310

 

15.3.1　YouTube的深度神经网络推荐系统    310

 

15.3.2　融合推荐系统 312

 

15.4　个性化推荐系统在飞桨上的实现   315

 

15.4.1　数据准备 315

 

15.4.2　模型设计 332

 

15.4.3　模型训练 358

 

15.4.4　保存特征 363

 

15.4.5　模型测试 364

 

15.5　本章小结    373