深度學習：從神經(jīng)網(wǎng)絡(luò)到深度強化學習的演進

目錄





第1章人工智能與深度學習概述

1.1人工智能與機器學習

1.1.1人工智能的發(fā)展歷程

1.1.2機器學習及深度學習的發(fā)展歷程

1.1.3人工智能與機器學習及深度學習的關(guān)系

1.2機器學習的分類

1.2.1監(jiān)督學習

1.2.2非監(jiān)督學習

1.2.3半監(jiān)督學習

1.2.4強化學習

1.2.5其他分類方式

1.3深度學習的分類及發(fā)展趨勢

1.3.1深度神經(jīng)網(wǎng)絡(luò)

1.3.2卷積神經(jīng)網(wǎng)絡(luò)

1.3.3其他深度神經(jīng)網(wǎng)絡(luò)

1.3.4深度學習的發(fā)展趨勢

1.4深度學習與強化學習的結(jié)合

1.4.1強化學習

1.4.2強化學習算法分類

1.4.3深度強化學習

本章小結(jié)

第2章神經(jīng)網(wǎng)絡(luò)與深度學習

2.1深度學習簡介

2.1.1傳統(tǒng)機器學習算法與深度學習算法對比

2.1.2深度學習發(fā)展歷程

2.2圖像分類問題

2.2.1KNN分類器

2.2.2線性分類器

2.2.3損失及優(yōu)化

2.3損失函數(shù)

2.3.1折頁損失函數(shù)

2.3.2交叉熵損失函數(shù)

2.4反向傳播算法

2.4.1計算圖

2.4.2反向傳播舉例

2.5人工神經(jīng)網(wǎng)絡(luò)

2.5.1神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

2.5.2神經(jīng)網(wǎng)絡(luò)的分類

2.6激活函數(shù)

2.6.1常用激活函數(shù)

2.6.2各種激活函數(shù)的優(yōu)缺點

本章小結(jié)

第3章卷積神經(jīng)網(wǎng)絡(luò)

3.1基本概念

3.1.1卷積

3.1.2池化

3.1.3經(jīng)典網(wǎng)絡(luò)LeNet5

3.2幾種卷積神經(jīng)網(wǎng)絡(luò)介紹

3.2.1AlexNet

3.2.2VGGNet

3.2.3NIN

3.2.4GoogLeNet

3.2.5ResNet

3.3計算機視覺問題

3.3.1圖像分類

3.3.2目標定位

3.3.3目標檢測

3.3.4圖像分割

3.4深度學習應用實例

3.4.1深度學習框架

3.4.2MNIST手寫數(shù)字識別

3.4.3基于DeepLabV3+模型的軌道圖像分割

本章小結(jié)

第4章循環(huán)神經(jīng)網(wǎng)絡(luò)及其他深層神經(jīng)網(wǎng)絡(luò)

4.1從DNN到RNN

4.1.1RNN結(jié)構(gòu)

4.1.2深度 RNN

4.1.3RNN的訓練

4.2RNN變體

4.2.1LSTM

4.2.2GRU

4.2.3其他結(jié)構(gòu)

4.3RNN應用舉例

4.3.1時序數(shù)據(jù)預測

4.3.2自然語言處理

4.4自編碼器

4.4.1稀疏自編碼器

4.4.2去噪自編碼器

4.4.3壓縮自編碼器

4.5深度生成式模型

4.5.1全可見信念網(wǎng)絡(luò)

4.5.2變分自編碼器

4.5.3生成式對抗網(wǎng)絡(luò)

本章小結(jié)

第5章深層神經(jīng)網(wǎng)絡(luò)的訓練方法

5.1參數(shù)更新方法

5.1.1梯度下降算法的問題

5.1.2基于動量的更新

5.1.3二階優(yōu)化方法

5.1.4共軛梯度

5.1.5擬牛頓法

5.2自適應學習率算法

5.2.1學習率衰減

5.2.2AdaGrad算法

5.2.3RMSProp算法

5.2.4AdaDelta算法

5.2.5Adam算法

5.2.6幾種常見優(yōu)化算法的比較

5.3參數(shù)初始化

5.3.1合理初始化的重要性

5.3.2隨機初始化

5.3.3Xavier初始化

5.3.4He初始化

5.3.5批量歸一化

5.3.6預訓練

5.4網(wǎng)絡(luò)正則化

5.4.1正則化的目的

5.4.2L1和L2正則化

5.4.3權(quán)重衰減

5.4.4提前停止

5.4.5數(shù)據(jù)增強

5.4.6丟棄法

5.4.7標簽平滑

5.5訓練深層神經(jīng)網(wǎng)絡(luò)的小技巧

5.5.1數(shù)據(jù)預處理

5.5.2超參數(shù)調(diào)優(yōu)

5.5.3集成學習

5.5.4監(jiān)視訓練過程

本章小結(jié)

第6章輕量化神經(jīng)網(wǎng)絡(luò)模型

6.1深度學習輕量化模型

6.1.1SqueezeNet模型

6.1.2MobileNet模型

6.1.3ShuffleNet模型

6.1.4Xception模型

6.2深度神經(jīng)網(wǎng)絡(luò)模型壓縮

6.2.1推理階段的壓縮算法

6.2.2訓練階段的壓縮算法

6.3深度神經(jīng)網(wǎng)絡(luò)的硬件加速

6.3.1推理階段的硬件加速

6.3.2訓練階段的硬件加速

6.4移動端深度學習

6.4.1移動端深度學習概述

6.4.2移動端深度學習框架

6.4.3移動端深度學習示例

本章小結(jié)

第7章強化學習算法

7.1強化學習綜述

7.1.1目標、單步獎勵與累積回報

7.1.2馬爾可夫決策過程

7.1.3值函數(shù)與最優(yōu)值函數(shù)

7.2動態(tài)規(guī)劃方法

7.2.1策略迭代

7.2.2值迭代

7.3基于值函數(shù)的強化學習算法

7.3.1基于蒙特卡羅的強化學習算法

7.3.2基于時間差分的強化學習算法

7.3.3TDλ算法

7.4基于策略梯度的強化學習算法

7.4.1何時應用基于策略的學習方法

7.4.2策略梯度詳解

7.4.3蒙特卡羅策略梯度算法

7.4.4ActorCritic算法

7.5值函數(shù)近似和衍生算法

7.5.1值函數(shù)近似

7.5.2基于值函數(shù)近似的TD方法

7.5.3基于線性值函數(shù)近似的GTD方法

7.5.4OffPolicy ActorCritic算法

本章小結(jié)

第8章多智能體多任務(wù)學習

8.1多智能體學習

8.1.1多智能體強化學習背景

8.1.2多智能體強化學習任務(wù)分類及算法介紹

8.1.3多智能體增強學習平臺

8.2多任務(wù)學習

8.2.1多任務(wù)學習的背景與定義

8.2.2多任務(wù)監(jiān)督學習

8.2.3其他多任務(wù)學習

8.2.4多任務(wù)學習的應用

8.3元學習

8.3.1從模型評估中學習

8.3.2從任務(wù)特征中學習

8.4聯(lián)邦學習

8.4.1背景

8.4.2聯(lián)邦學習的特點及優(yōu)勢

8.4.3聯(lián)邦學習的分類

8.4.4聯(lián)邦學習的應用

本章小結(jié)

第9章深度強化學習

9.1基于值函數(shù)的深度強化學習

9.1.1深度Q學習

9.1.2深度Q學習的衍生方法

9.2基于策略梯度的深度強化學習

9.2.1深度確定性策略梯度算法

9.2.2異步深度強化學習算法

9.2.3信賴域策略優(yōu)化及其衍生算法

9.3深度強化學習的應用

9.3.1計算機圍棋程序AlphaGo

9.3.2深度強化學習的其他應用

9.3.3深度強化學習在通信網(wǎng)絡(luò)中的應用

本章小結(jié)

第10章遷移學習

10.1遷移學習簡介及分類

10.1.1遷移學習概述

10.1.2遷移學習的分類

10.2遷移學習的應用

10.2.1遷移學習在深度學習中的應用

10.2.2遷移學習在強化學習中的應用

本章小結(jié)

附錄A最近鄰算法實現(xiàn)代碼

附錄BTensorFlow訓練LeNet5網(wǎng)絡(luò)實現(xiàn)代碼

附錄C基于DeepLabv3+模型的軌道圖像分割

附錄D時序數(shù)據(jù)預測實現(xiàn)代碼

附錄E自然語言處理實現(xiàn)代碼

附錄F移動端深度學習示例

參考文獻