链接：https://pan.baidu.com/s/1IaVceWQbPIlgg3t1tRudgA?pwd=7s4x 

提取码：7s4x

《深度学习模式与实践》通过介绍最佳实践、设计模式和可复制的架构，指导读者的深度学习项目从实验室走向应用。本书收集并阐明了近十年来真实世界中深度学习最紧密的洞察。读者将通过每个有趣的例子学习相关技能，并建立信心。

《深度学习模式与实践》深入研究了如何构建成功的深度学习应用程序。通过将经过验证的模式和实践应用到自身项目中，读者将节省数小时的试错时间。本书通过测试的代码示例、真实世界示例和出色的叙事风格，使复杂的概念变得简单和有趣。在此过程中，读者将学会相关技巧来部署、测试和维护项目。

本书的内容包括：

现代卷积神经网络

CNN架构的设计模式

移动和物联网设备模型

大规模模型部署

计算机视觉示例

作者简介

Andrew Ferlitsch是谷歌云人工智能开发者关系部的一名专家，领域为计算机视觉、深度学习和在应用中操作机器学习。

目录

第Ⅰ部分 深度学习基础知识

第1章 现代机器学习的设计 3

1.1 关注适应性 4

1.1.1 计算机视觉引领潮流 4

1.1.2 超越计算机视觉：NLP、NLU和结构化数据 5

1.2 机器学习方法的演变 6

1.2.1 经典人工智能与狭义人工智能 6

1.2.2 计算机学习的未来 8

1.3 设计模式的好处 13

1.4 本章小结 14

第2章 深度神经网络 15

2.1 神经网络基础 15

2.1.1 输入层 15

2.1.2 深度神经网络简介 17

2.1.3 前馈网络 18

2.1.4 序贯式API方法 18

2.1.5 函数式API方法 19

2.1.6 输入形状与输入层 19

2.1.7 致密层 20

2.1.8 激活函数 21

2.1.9 速记语法 24

2.1.10 使用优化器提高准确度 25

2.2 DNN二元分类器 26

2.3 DNN多类分类器 28

2.4 DNN多标签多类分类器 29

2.5 简单图像分类器 31

2.5.1 展平 32

2.5.2 过拟合和丢弃 33

2.6 本章小结 35

第3章 卷积神经网络和残差神经网络 37

3.1 卷积神经网络 37

3.1.1 为什么在DNN的基础上对图像模型使用CNN 38

3.1.2 下采样(调整大小) 38

3.1.3 特征检测 39

3.1.4 池化 41

3.1.5 展平 42

3.2 CNN的ConvNet设计 43

3.3 VGG网络 46

3.4 ResNet网络 49

3.4.1 架构 49

3.4.2 批标准化 54

3.4.3 ResNet50 55

3.5 本章小结 59

第4章 训练基础知识 61

4.1 前馈和反向传播 61

4.1.1 馈送 62

4.1.2 反向传播 62

4.2 拆分数据集 64

4.2.1 训练集和测试集 64

4.2.2 独热编码 65

4.3 数据归一化 67

4.3.1 归一化 67

4.3.2 标准化 69

4.4 验证和过拟合 69

4.4.1 验证 69

4.4.2 损失监控 73

4.4.3 深入层中 73

4.5 收敛 74

4.6 设置检查点和早停法 77

4.6.1 设置检查点 77

4.6.2 早停法 78

4.7 超参数 79

4.7.1 时期数 80

4.7.2 步数 80

4.7.3 批大小 81

4.7.4 学习率 82

4.8 不变性 84

4.8.1 平移不变性 85

4.8.2 尺度不变性 91

4.8.3 TF.Keras的ImageDataGenerator类 93

4.9 初始(磁盘)数据集 94

4.9.1 目录结构 95

4.9.2 CSV文件 97

4.9.3 JSON文件 98

4.9.4 读取图像 98

4.9.5 调整大小 101

4.10 模型保存/恢复 102

4.10.1 保存 103

4.10.2 恢复 103

4.11 本章小结 104

第Ⅱ部分　基本设计模式

第5章 过程设计模式 107

5.1 基本的神经网络架构 108

5.2 stem组件 110

5.2.1 VGG 110

5.2.2 ResNet 111

5.2.3 ResNeXt 115

5.2.4 Xception 116

5.3 预stem 117

5.4 学习器组件 118

5.4.1 ResNet 119

5.4.2 DenseNet 121

5.5 任务组件 123

5.5.1 ResNet 124

5.5.2 多层输出 125

5.5.3 SqueezeNet 127

5.6 超越计算机视觉：自然语言处理 128

5.6.1 自然语言理解 128

5.6.2 Transformer架构 129

5.7 本章小结 130

第6章 宽卷积神经网络 131

6.1 Inception v1 132

6.1.1 原生inception模块 132

6.1.2 Inception v1模块 134

6.1.3 stem 136

6.1.4 学习器 137

6.1.5 辅助分类器 137

6.1.6 分类器 139

6.2 Inception v2：卷积分解 140

6.3 Inception v3：重新设计架构 142

6.3.1 Inception组和块 143

6.3.2 普通卷积 146

6.3.3 空间可分离卷积 147

6.3.4 stem重设计和实现 148

6.3.5 辅助分类器 149

6.4 ResNeXt：宽残差神经网络 150

6.4.1 ResNeXt块 150

6.4.2 ResNeXt架构 152

6.5 宽残差网络 153

6.5.1 WRN-50-2架构 154

6.5.2 宽残差块 154

6.6 超越计算机视觉：结构化数据 155

6.7 本章小结 157

第7章 可替代连接模式 159

7.1 DenseNet：致密连接的卷积神经网络 160

7.1.1 致密组 160

7.1.2 致密块 162

7.1.3 DenseNet宏观架构 164

7.1.4 致密过渡块 165

7.2 Xception 166

7.2.1 Xception架构 167

7.2.2 Xception的入口流 169

7.2.3 Xception的中间流 171

7.2.4 Xception的出口流 173

7.2.5 深度可分离卷积 175

7.2.6 逐深度卷积 175

7.2.7 逐点卷积 175

7.3 SE-Net 176

7.3.1 SE-Net架构 177

7.3.2 SE-Net的组和块 177

7.3.3 SE链接 179

7.4 本章小结 180

第8章 移动卷积神经网络 181

8.1 MobileNet v1 182

8.1.1 架构 182

8.1.2 宽度乘数 183

8.1.3 分辨率乘数 184

8.1.4 stem 185

8.1.5 学习器 186

8.1.6 分类器 188

8.2 MobileNet v2 189

8.2.1 架构 189

8.2.2 stem 190

8.2.3 学习器 191

8.2.4 分类器 194

8.3 SqueezeNet 195

8.3.1 架构 196

8.3.2 stem 197

8.3.3 学习器 197

8.3.4 分类器 200

8.3.5 旁路连接 202

8.4 ShuffleNet v1 205

8.4.1 架构 205

8.4.2 stem 206

8.4.3 学习器 206

8.5 部署 213

8.5.1 量化 213

8.5.2 TF Lite转换和预测 214

8.6 本章小结 216

第9章 自动编码器 217

9.1 深度神经网络自动编码器 217

9.1.1 自动编码器架构 218

9.1.2 编码器 219

9.1.3 解码器 219

9.1.4 训练 220

9.2 卷积自动编码器 221

9.2.1 架构 222

9.2.2 编码器 222

9.2.3 解码器 223

9.3 稀疏自动编码器 225

9.4 去噪自动编码器 226

9.5 超分辨率 226

9.5.1 预上采样SR 227

9.5.2 后上采样SR 229

9.6 前置任务 232

9.7 超越计算机视觉：Seq2Seq模型 234

9.8 本章小结 235

第Ⅲ部分　使用管线

第10章 超参数调优 239

10.1 权重初始化 240

10.1.1 权重分布 241

10.1.2 彩票假设 241

10.1.3 预热(数值稳定性) 243

10.2 超参数搜索基础知识 246

10.2.1 超参数搜索的手动方法 246

10.2.2 网格搜索 248

10.2.3 随机搜索 248

10.2.4 KerasTuner 250

10.3 学习率调度器 252

10.3.1 Keras衰减参数 253

10.3.2 Keras学习率调度器 253

10.3.3 Ramp 254

10.3.4 恒定步长 255

10.3.5 余弦退火 256

10.4 正则化 258

10.4.1 权重正则化 258

10.4.2 标签平滑 259

10.5 超越计算机视觉 260

10.6 本章小结 261

第11章 迁移学习 263

11.1 TF.Keras预构建模型 264

11.1.1 基础模型 265

11.1.2 用于预测的预训练ImageNet模型 266

11.1.3 新分类器 267

11.2 TF Hub预构建模型 271

11.2.1 使用TF Hub预训练模型 271

11.2.2 新分类器 273

11.3 域间的迁移学习 274

11.3.1 类似的任务 274

11.3.2 不同的任务 275

11.3.3 特定域权重 278

11.3.4 域迁移权重初始化 279

11.3.5 负迁移 281

11.4 超越计算机视觉 281

11.5 本章小结 281

第12章 数据分布 283

12.1 分布类型 284

12.1.1 总体分布 284

12.1.2 抽样分布 285

12.1.3 子总体分布 286

12.2 分布外样本 286

12.2.1 MNIST精选数据集 287

12.2.2 建立环境 287

12.2.3 挑战分布外数据 288

12.2.4 作为DNN进行训练 289

12.2.5 作为CNN进行训练 294

12.2.6 图像增强 297

12.2.7 最终测试 299

12.3 本章小结 299

第13章 数据管线 301

13.1 数据格式和存储 303

13.1.1 压缩图像格式和原始图像格式 303

13.1.2 HDF5格式 306

13.1.3 DICOM格式 310

13.1.4 TFRecord格式 311

13.2 数据馈送 316

13.2.1 NumPy 316

13.2.2 TFRecord 318

13.3 数据预处理 320

13.3.1 使用预stem进行预处理 320

13.3.2 使用TF Extended进行预处理 327

13.4 数据增强 332

13.4.1 不变性 332

13.4.2 使用tf.data进行增强 334

13.4.3 预stem 335

13.5 本章小结 335

查看全部↓

前言/序言

本书读者对象

欢迎阅读本书。本书主要面向软件工程师、机器学习工程师以及初级、中级和高级数据科学家。本书的结构较为合理，相信每一位读者都能有所收获并进一步了解深度学习。

本书也可以说是专为具有一定水平的机器学习工程师和数据科学家设计的。对于那些追求数据科学方向的人，我建议你们补充学习统计学相关的内容。此外，本书还要求读者至少了解Python的基础知识。