目 录__eol__第 1 部分 深度学习基础算法与应用__eol__第 1 章 单层神经网络 2__eol__1.1 深度学习的基本概念 2__eol__1.1.1 深度学习的概述 2__eol__1.1.2 神经网络 3__eol__1.2 深度学习框架 5__eol__1.2.1 常见框架介绍 5__eol__1.2.2 张量 6__eol__1.3 单层神经网络的概述 6__eol__1.3.1 回归模型 6__eol__1.3.2 二分类模型 10__eol__1.3.3 多分类模型 13__eol__1.4 单层神经网络实现鸢尾花分类 17__eol__1.4.1 使用 TensorFlow 实现鸢尾花分类 17__eol__1.4.2 使用 PyTorch 实现鸢尾花分类 20__eol__本章总结 22__eol__作业与练习 22__eol__第 2 章 多层神经网络 24__eol__2.1 多层神经网络的概述 24__eol__2.1.1 隐藏层的意义 24__eol__2.1.2 激活函数 25__eol__2.1.3 反向传播 27__eol__2.1.4 异或处理代码实现 28__eol__2.2 梯度下降算法 30__eol__2.2.1 批量梯度下降算法 30__eol__2.2.2 随机梯度下降算法 31__eol__2.2.3 小批量梯度下降算法 31__eol__2.3 正则化处理 31__eol__2.3.1 L1 正则化与 L2 正则化 31__eol__2.3.2 Dropout 正则化 31__eol__2.3.3 提前停止 32__eol__2.3.4 批量标准化 32__eol__2.4 手写数字识别__eol__2.4.1 MNIST 数据集简介 32__eol__2.4.2 使用 TensorFlow 实现MNIST 手写数字分类 33__eol__2.4.3 使用 PyTorch 实现MNIST 手写数字分类 36__eol__本章总结 39__eol__作业与练习 39__eol__第 3 章 卷积神经网络 41__eol__3.1 图像基础原理 41__eol__3.1.1 像素 41__eol__3.1.2 灰度值 42__eol__3.1.3 彩色图像表达 42__eol__3.2 卷积的作用及原理 43__eol__3.2.1 卷积的概述 43__eol__3.2.2 卷积运算的原理 43__eol__3.2.3 卷积运算的方式 44__eol__3.2.4 卷积表达的含义 44__eol__3.2.5 卷积相关术语 45__eol__3.3 卷积神经网络的基本结构 46__eol__3.3.1 卷积神经网络的网络结构 46__eol__3.3.2 卷积层 47__eol__3.3.3 ReLU 层 47__eol__3.3.4 池化层 48__eol__3.3.5 全连接层 49__eol__3.4 基于卷积神经网络实现MNIST 手写数字识别 49__eol__3.4.1 构建卷积神经网络模型 49__eol__3.4.2 使用 TensorFlow 实现卷积神经网络 MNIST手写数字分类 50__eol__3.4.3 使用 PyTorch 实现卷积神经网络 MNIST 手写__eol__数字分类 52__eol__本章总结 55__eol__作业与练习 55__eol__第 4 章 优化算法与模型管理 57__eol__4.1 数据增强 57__eol__4.1.1 数据增强的意义 57__eol__4.1.2 使用 TensorFlow 实现数据增强 58__eol__4.1.3 使用 PyTorch 实现数据增强 59__eol__4.2 梯度下降优化 60__eol__4.2.1 梯度下降优化的必要性 60__eol__4.2.2 Momentum 优化器 60__eol__4.2.3 Adagrad 优化器 60__eol__4.2.4 RMSprop 优化器 61__eol__4.2.5 Adam 优化器 62__eol__4.3 模型的保存与加载 62__eol__4.3.1 TensorFlow 模型保存与加载 62__eol__4.3.2 PyTorch 模型保存与加载 63__eol__4.4 项目案例：车辆识别 64__eol__4.4.1 汽车数据集 65__eol__4.4.2 项目案例实现 65__eol__本章总结 70__eol__作业与练习 70__eol__第 2 部分 深度学习进阶算法与应用__eol__第 5 章 深度卷积神经网络 74__eol__5.1 深度卷积神经网络的概述 74__eol__5.2 AlexNet 75__eol__5.2.1 AlexNet 的网络结构 75__eol__5.2.2 构建 AlexNet 模型 77__eol__5.3 VGG 79__eol__5.3.1 VGG 的网络结构 79__eol__5.3.2 构建 VGG 模型 80__eol__5.4 NiN 81__eol__5.4.1 NiN 的网络结构 81__eol__5.4.2 构建 NiN 模型 83__eol__5.5 GoogLeNet 85__eol__5.5.1 GoogLeNet 的网络结构 85__eol__5.5.2 构建 GoogLeNet 模型 88__eol__5.6 项目案例：车辆多属性识别 90__eol__5.6.1 多属性识别 91__eol__5.6.2 项目案例实现 91__eol__本章总结 100__eol__作业与练习 100__eol__第 6 章 高效的卷积神经网络 102__eol__6.1 ResNet 102__eol__6.1.1 ResNet 的网络结构 102__eol__6.1.2 构建 ResNet 模型 103__eol__6.2 DenseNet 109__eol__6.2.1 DenseNet 的网络结构 110__eol__6.2.2 构建 DenseNet 模型 111__eol__6.3 MobileNet 112__eol__6.3.1 MobileNet 的网络结构 112__eol__6.3.2 构建 MobileNet 模型 113__eol__6.4 项目案例：违规驾驶行为识别 114__eol__本章总结 126__eol__作业与练习 126__eol__第 7 章 目标检测 128__eol__7.1 目标检测的概述 128__eol__7.2 两阶段目标检测 129__eol__7.2.1 R-CNN 129__eol__7.2.2 Fast R-CNN 和Faster R-CNN 130__eol__7.2.3 Mask R-CNN 132__eol__7.3 一阶段目标检测 133__eol__7.3.1 YOLO 系列 133__eol__7.3.2 SSD 137__eol__7.4 项目案例：车辆检测 137__eol__本章总结 144__eol__作业与练习 144__eol__第 8 章 循环神经网络 145__eol__8.1 循环神经网络的概述 145__eol__8.2 LSTM 神经网络 147__eol__8.2.1 LSTM 神经网络的网络结构 147__eol__8.2.2 LSTM 门机制 147__eol__8.3 GRU 神经网络 148__eol__8.3.1 GRU 神经网络的网络结构 148__eol__8.3.2 GRU 门机制 148__eol__8.4 项目案例：文本生成 149__eol__本章总结 159__eol__作业与练习 159__eol__第 9 章 深度循环神经网络 160__eol__9.1 深度循环神经网络的概述 160__eol__9.1.1 深度循环神经网络的特点 160__eol__9.1.2 双向 LSTM 神经网络 162__eol__9.2 项目案例：短时交通流量预测 163__eol__9.2.1 解决方案 163__eol__9.2.2 项目案例实现 164__eol__本章总结 177__eol__作业与练习 177__eol__第 3 部分 时空数据模型与应用__eol__第 10 章 CNN-LSTM 混合模型 180__eol__10.1 编码器-解码器模型 180__eol__10.1.1 模型结构 180__eol__10.1.2 构建编码器-解码器模型 182__eol__10.2 项目案例：基于时空特征的交通事故预测 183__eol__10.2.1 数据集和评价指标 184__eol__10.2.2 项目案例实现 184__eol__本章总结 193__eol__作业与练习 193__eol__第 11 章 多元时间序列神经网络 195__eol__11.1 图 195__eol__11.1.1 结构和信号 196__eol__11.1.2 图结构 197__eol__11.1.3 图神经网络 197__eol__11.2 图卷积网络 198__eol__11.2.1 基本原理 198__eol__11.2.2 数学运算 199__eol__11.2.3 使用 GCN 模型实现图像识别 200__eol__11.3 多元时间序列神经网络的概述 205__eol__11.3.1 DCRNN 205__eol__11.3.2 seq2seq 模型 20