第1章 深度学习简介

1.1 深度学习与人工智能

1.2 深度学习的历史渊源

1.2.1 从感知机到人工神经网络

1.2.2 深度学习时代

1.2.3 巨头之间的角逐

1.3 深度学习的影响因素

1.3.1 大数据

1.3.2 深度网络架构

1.3.3 GPU

1.4 深度学习为什么如此成功

1.4.1 特征学习

1.4.2 迁移学习

1.5 小结

1.6 参考文献

第2章 PyTorch简介

2.1 PyTorch安装

2.2 初识PyTorch

2.2.1 与Python完美融合

2.2.2 张量计算

2.2.3 动态计算图

2.3 PyTorch实例：预测房价

2.3.1 准备数据

2.3.2 模型设计

2.3.3 训练

2.3.4 预测

2.3.5 术语汇总

2.4 小结

第3章 单车预测器：你的第一个神经网络

3.1 共享单车的烦恼

3.2 单车预测器1.0

3.2.1 人工神经网络简介

3.2.2 人工神经元

3.2.3 两个隐含层神经元

3.2.4 训练与运行

3.2.5 失败的神经预测器

3.2.6 过拟合

3.3 单车预测器2.0

3.3.1 数据的预处理过程

3.3.2 构建神经网络

3.3.3 测试神经网络

3.4 剖析神经网络Neu

3.5 小结

3.6 Q＆A

第4章 机器也懂感情——中文情绪分类器

4.1 神经网络分类器

4.1.1 如何用神经网络做分类

4.1.2 分类问题的损失函数

4.2 词袋模型分类器

4.2.1 词袋模型简介

4.2.2 搭建简单文本分类器

4.3 程序实现

4.3.1 数据获取

4.3.2 数据处理

4.3.3 文本数据向量化

4.3.4 划分数据集

4.3.5 建立神经网络

4.4 运行结果

4.5 剖析神经网络

4.6 小结

4.7 Q＆A

第5章 手写数字识别器——认识卷积神经网络

5.1 什么是卷积神经网络

5.1.1 手写数字识别任务的卷积神经网络及运算过程

5.1.2 卷积运算操作

5.1.3 池化操作

5.1.4 立体卷积核

5.1.5 超参数与参数

5.1.6 其他说明

5.2 手写数字识别器

5.2.1 数据准备

5.2.2 构建网络

5.2.3 运行模型

5.2.4 测试模型

5.3 剖析卷积神经网络

5.3.1 第一层卷积核与特征图

5.3.2 第二层卷积核与特征图

5.3.3 卷积神经网络的健壮性实验

5.4 小结

5.5 Q＆A

5.6 扩展阅读

第6章 手写数字加法机——迁移学习

6.1 什么是迁移学习

6.1.1 迁移学习的由来

6.1.2 迁移学习的分类

6.1.3 迁移学习的意义

6.1.4 如何用神经网络实现迁移学习

6.2 应用案例：迁移学习如何抗击贫困

6.2.1 背景介绍

6.2.2 方法探寻

6.2.3 迁移学习方法

6.3 蚂蚁还是蜜蜂：迁移大型卷积神经网络

6.3.1 任务描述与初步尝试

6.3.2 ResNet与模型迁移

6.3.3 代码实现

6.3.4 结果分析

6.3.5 更多的模型与数据

6.4 手写数字加法机

6.4.1 网络架构

6.4.2 代码实现

6.4.3 训练与测试

6.4.4 结果

6.4.5 大规模实验

6.5 小结

6.6 实践项目：迁移与效率

第7章 你自己的Prisma——图像风格迁移

7.1 什么是风格迁移

7.1.1 什么是风格

7.1.2 风格迁移的含义

7.2 风格迁移技术发展简史

7.3 神经网络风格迁移

7.3.1 神经网络风格迁移的优势

7.3.2 神经网络风格迁移的基本思想

7.3.3 卷积神经网络的选取

7.3.4 内容损失

7.3.5 风格损失

7.3.6 风格损失原理分析

7.3.7 损失函数与优化

7.4 神经网络风格迁移实战

7.4.1 准备工作

7.4.2 建立风格迁移网络

7.4.3 风格迁移训练

7.5 小结

7.6 扩展阅读

第8章 人工智能造假术——图像生成与对抗学习

8.1 反卷积与图像生成

8.1.1 卷积神经网络回顾

8.1.2 反卷积操作

8.1.3 反池化过程

8.1.4 反卷积与分数步伐

8.1.5 输出图像尺寸公式

8.1.6 批正则化技术

8.2 图像生成实验1——最小均方误差模型

8.2.1 模型思路

8.2.2 代码实现

8.2.3 运行结果

8.3 图像生成实验2——生成器—识别器模型

8.3.1 生成器—识别器模型的实现

8.3.2 对抗样本

8.4 图像生成实验3——GAN

8.4.1 GAN的总体架构

8.4.2 程序实现

8.4.3 结果展示

8.5 小结

8.6 Q＆A

8.7 扩展阅读

第9章 词汇的星空——神经语言模型与Word2Vec

9.1 词向量技术介绍

9.1.1 初识词向量

9.1.2 传统编码方式

9.2 NPLM：神经概率语言模型

9.2.1 NPLM的基本思想

9.2.2 NPLM的运作过程详解

9.2.3 读取NPLM中的词向量

9.2.4 NPLM的编码实现

9.2.5 运行结果

9.2.6 NPLM的总结与局限

9.3 Word2Vec

9.3.1 CBOW模型和Skip-gram模型的结构

9.3.2 层级软最大

9.3.3 负采样

9.3.4 总结及分析

9.4 Word2Vec的应用

9.4.1 在自己的语料库上训练Word2Vec词向量

9.4.2 调用现成的词向量

9.4.3 女人-男人=皇后-国王

9.4.4 使用向量的空间位置进行词对词翻译

9.4.5 Word2Vec小结

9.5 小结

9.6 Q＆A

第10章 LSTM作曲机——序列生成模型

10.1 序列生成问题

10.2 RNN与LSTM

10.2.1 RNN

10.2.2 LSTM

10.3 简单01序列的学习问题

10.3.1 RNN的序列学习

10.3.2 LSTM的序列学习

10.4 LSTM作曲机

10.4.1 MIDI文件

10.4.2 数据准备

10.4.3 模型结构

10.4.4 代码实现

10.5 小结

10.6 Q＆A

10.7 扩展阅读

第11章 神经翻译机——端到端机器翻译

11.1 机器翻译简介

11.1.1 基于规则的机器翻译技术

11.1.2 统计机器翻译

11.1.3 神经机器翻译

11.1.4 关于Zero-shot翻译

11.2 编码—解码模型

11.2.1 编码—解码模型总体架构

11.2.2 编码器

11.2.3 解码器

11.2.4 损失函数

11.2.5 编码—解码模型归纳

11.2.6 编码—解码模型的效果

11.3 注意力机制

11.3.1 神经翻译中的注意力

11.3.2 注意力网络

11.4 更多的改进

11.4.1 GRU的结构

11.4.2 双向GRU的应用

11.5 神经翻译机的编码实现

11.5.1 神经网络的构建

11.5.2 神经网络的训练

11.5.3 测试神经翻译机

11.5.4 结果展示

11.6 更多改进

11.6.1 集束搜索算法

11.6.2 BLEU：对翻译结果的评估方法

11.6.3 对编码—解码模型的改进

11.7 广义的翻译

11.7.1 广义翻译机

11.7.2 广义翻译的应用场景

11.8 Q＆A

第12章 AI游戏高手——深度强化学习

12.1 强化学习简介

12.1.1 强化学习的要素

12.1.2 强化学习的应用场景

12.1.3 强化学习的分类

12.2 深度Q学习算法

12.2.1 Q学习算法

12.2.2 DQN算法

12.2.3 DQN在雅达利游戏上的表现

12.3 DQN玩Flappy Bird的PyTorch实现

12.3.1 Flappy Bird的PyGame实现

12.3.2 DQN的PyTorch实现

12.4 小结

12.5 通用人工智能还有多远

12.6 Q＆A

12.7 参考文献