PaddlePaddle深度學(xué)習(xí)實(shí)踐

隨書資源
 
 
第一部分深度學(xué)習(xí)基礎(chǔ)
第1章Python與數(shù)學(xué)基礎(chǔ)
1.1Python簡(jiǎn)介
1.2深度學(xué)習(xí)常用Python庫(kù)
1.2.1NumPy庫(kù)
1.2.2Matplotlib庫(kù)
1.3PaddlePaddle基礎(chǔ)
1.3.1張量的概念
1.3.2調(diào)整張量形狀
1.3.3索引和切片
1.3.4自動(dòng)微分
1.3.5PaddlePaddle中的模型與層
1.4數(shù)學(xué)基礎(chǔ)
1.4.1線性代數(shù)
1.4.2微分基礎(chǔ)
1.5案例： 《青春有你2》爬取與數(shù)據(jù)分析
1.5.1思路分析
1.5.2獲取網(wǎng)頁頁面
1.5.3解析頁面
1.5.4爬取選手百度百科圖片
1.5.5數(shù)據(jù)展示與分析
1.6本章小結(jié)
第2章深度學(xué)習(xí)基礎(chǔ)
2.1深度學(xué)習(xí)歷史
2.2深度學(xué)習(xí)
2.2.1人工智能、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)的關(guān)系
2.2.2機(jī)器學(xué)習(xí)
2.2.3深度學(xué)習(xí)
2.3模型構(gòu)建
2.3.1線性神經(jīng)元
2.3.2線性單層感知機(jī)
2.3.3非線性多層感知機(jī)
2.3.4模型實(shí)現(xiàn)
2.4損失函數(shù)
2.4.1均方差損失
2.4.2交叉熵
2.4.3損失函數(shù)的實(shí)現(xiàn)
2.4.4正則化
2.5參數(shù)學(xué)習(xí)
2.5.1梯度下降法
2.5.2梯度下降法實(shí)現(xiàn)
2.6飛槳框架高層API深入解析
2.6.1簡(jiǎn)介
2.6.2方案設(shè)計(jì)
2.6.3數(shù)據(jù)集定義、加載和數(shù)據(jù)預(yù)處理
2.6.4模型組網(wǎng)
2.6.5模型訓(xùn)練
2.6.6模型評(píng)估和模型預(yù)測(cè)
2.6.7模型部署
2.7案例： 基于全連接神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識(shí)別
2.7.1方案設(shè)計(jì)
2.7.2數(shù)據(jù)處理
2.7.3模型構(gòu)建
2.7.4模型配置和模型訓(xùn)練
2.7.5模型驗(yàn)證
2.7.6模型推理
2.8本章小結(jié)
 
 
 
第二部分深度學(xué)習(xí)基本模型
第3章卷積神經(jīng)網(wǎng)絡(luò)
3.1圖像分類問題描述
3.2卷積神經(jīng)網(wǎng)絡(luò)
3.2.1卷積層
3.2.2池化層
3.2.3卷積優(yōu)勢(shì)
3.2.4模型實(shí)現(xiàn)
3.3經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)
3.3.1LeNet
3.3.2AlexNet
3.3.3VGG
3.3.4GoogLeNet 
3.3.5ResNet
3.4案例： 圖像分類網(wǎng)絡(luò)VGG在中草藥識(shí)別任務(wù)中的應(yīng)用
3.4.1方案設(shè)計(jì)
3.4.2整體流程
3.4.3數(shù)據(jù)處理
3.4.4模型構(gòu)建
3.4.5訓(xùn)練配置
3.4.6模型訓(xùn)練
3.4.7模型評(píng)估和推理
3.5本章小結(jié)
第4章循環(huán)神經(jīng)網(wǎng)絡(luò)
4.1任務(wù)描述
4.2循環(huán)神經(jīng)網(wǎng)絡(luò)
4.2.1RNN和LSTM網(wǎng)絡(luò)的設(shè)計(jì)思考
4.2.2RNN結(jié)構(gòu)
4.2.3LSTM網(wǎng)絡(luò)結(jié)構(gòu)
4.2.4模型實(shí)現(xiàn)
4.3案例：基于THUCNews新聞標(biāo)題的文本分類
4.3.1方案設(shè)計(jì)和整體流程 
4.3.2數(shù)據(jù)預(yù)處理
4.3.3模型構(gòu)建
4.3.4訓(xùn)練配置、過程和模型保存
4.3.5模型推理
4.4本章小結(jié)
第5章注意力模型
5.1任務(wù)簡(jiǎn)介
5.2注意力機(jī)制
5.2.1注意力機(jī)制原理
5.2.2自注意力機(jī)制
5.2.3Transformer模型
5.2.4模型實(shí)現(xiàn)
5.2.5自注意力模型與全連接、卷積、循環(huán)、圖神經(jīng)網(wǎng)絡(luò)的不同
5.3案例： 基于seq2seq的對(duì)聯(lián)生成
5.3.1方案設(shè)計(jì)
5.3.2數(shù)據(jù)預(yù)處理
5.3.3模型構(gòu)建
5.3.4訓(xùn)練配置和訓(xùn)練
5.3.5模型推理
5.4本章小結(jié)
第三部分自然語言應(yīng)用
第6章預(yù)訓(xùn)練詞向量
6.1詞向量概述
6.2詞向量word2vec
6.2.1CBOW模型
6.2.2Skipgram模型
6.2.3負(fù)采樣
6.3CBOW實(shí)現(xiàn)
6.3.1數(shù)據(jù)處理
6.3.2網(wǎng)絡(luò)結(jié)構(gòu)
6.3.3模型訓(xùn)練
6.4案例： 詞向量可視化與相似度計(jì)算
6.4.1詞向量可視化
6.4.2句子語義相似度
6.5本章小結(jié)
第7章預(yù)訓(xùn)練語言模型及應(yīng)用
7.1任務(wù)介紹
7.2BERT模型
7.2.1整體結(jié)構(gòu)
7.2.2輸入表示
7.2.3基本預(yù)訓(xùn)練任務(wù)
7.2.4預(yù)訓(xùn)練語言模型的下游應(yīng)用
7.2.5模型實(shí)現(xiàn)
7.3案例： BERT文本語義相似度計(jì)算
7.3.1方案設(shè)計(jì)
7.3.2數(shù)據(jù)預(yù)處理
7.3.3模型構(gòu)建
7.3.4模型配置與模型訓(xùn)練
7.3.5模型推理
7.4本章小結(jié)
第8章詞性分析技術(shù)及應(yīng)用
8.1任務(wù)簡(jiǎn)介
8.2基于BERTBiLSTMCRF模型的命名實(shí)體識(shí)別模型 
8.2.1BERT詞表示層
8.2.2BiLSTM特征提取層
8.2.3CRF序列標(biāo)注層
8.3深入了解BiLSTMCRF模型
8.3.1BiLSTM CRF模型架構(gòu)
8.3.2CRF模型定義
8.3.3標(biāo)簽分?jǐn)?shù)
8.3.4轉(zhuǎn)移分?jǐn)?shù)
8.3.5解碼策略
8.3.6CRF模型實(shí)現(xiàn)
8.4案例： 基于BERT BiGRU CRF模型的阿里中文地址要素解析
8.4.1方案設(shè)計(jì)
8.4.2數(shù)據(jù)預(yù)處理
8.4.3模型構(gòu)建
8.4.4模型推理
8.5本章小結(jié)