CONTENTS
目录
第1章引言00
1.1人工智能的历史变迁00
1.2什么是深度学习00
1.3深度学习的现实应用00
1.3.1自动语音识别00
1.3.2图像识别00
1.3.3自然语言处理00
1.3.4其他领域00
1.4本书的组织架构00
1.5MindSpore简介00
1.5.1编程简单00
1.5.2端云协同0
1.5.3调试轻松0
1.5.4性能卓越0
1.5.5开源开放0
第2章深度学习基础知识0
2.1回归问题算法0
2.2梯度下降算法0
2.3分类问题算法0
2.4过拟合与欠拟合0
第3章深度神经网络0
3.1前向网络0
3.2反向传播0
3.3泛化能力0
3.4用MindSpore实现简单神经网络0
3.4.1各层参数说明0
3.4.2详细步骤0
目录
第4章深度神经网络的训练0
4.1深度学习系统面临的主要挑战0
4.1.1大数据集需求0
4.1.2硬件需求0
4.1.3过拟合0
4.1.4超参数优化0
4.1.5不透明性0
4.1.6缺少灵活性0
4.2正则化0
4.2.1L2范数正则化0
4.2.2L1范数正则化0
4.3Dropout0
4.4自适应学习率0
4.4.1AdaGrad0
4.4.2RMSProp0
4.4.3Adam0
4.5批标准化0
4.6用MindSpore 实现深度神经网络0
4.6.1各层参数说明0
4.6.2详细步骤0
第5章卷积神经网络0
5.1卷积操作0
5.2池化0
5.3残差网络0
5.4应用：图片分类0
5.5用MindSpore实现基于卷积神经网络图片分类0
5.5.1加载MindSpore模块0
5.5.2定义ResNet网络结构0
5.5.3设置超参数0
5.5.4导入数据集0
5.5.5训练模型0
第6章循环神经网络0
6.1循环神经网络概述0
6.2深度循环神经网络0
6.3长期依赖的挑战0
6.4长短期记忆网络和门控循环神经网络0
6.4.1长短期记忆网络0
6.4.2门控循环神经网络0
6.5应用：文本预测0
6.6用MindSpore实现基于长短期记忆网络的文本预测0
6.6.1加载MindSpore模块0
6.6.2数据准备0
6.6.3定义网络0
6.6.4参数介绍0
6.6.5训练模型0
参考文献0
第7章无监督学习： 词向量0
7.1Word2Vec0
7.1.1提出背景0
7.1.2发展现状0
7.1.3技术原理0
7.1.4技术难点0
7.1.5应用场景0
7.1.6框架模块0
7.2GloVe0
7.2.1提出背景0
7.2.2发展现状0
7.2.3技术原理0
7.2.4技术难点0
7.2.5应用场景
7.2.6框架模块
7.3Transformer
7.3.1提出背景
7.3.2发展现状
7.3.3技术原理
7.3.4技术难点
7.3.5应用场景
7.3.6框架模块
7.4BERT
7.4.1提出背景
7.4.2发展现状
7.4.3技术原理
7.4.4技术难点
7.4.5应用场景
7.4.6框架模块
7.5词向量典型生成算法对比
7.6应用：自动问答
7.6.1自动问答的相关概念
7.6.2传统的自动问答方法
7.6.3基于深度学习的自动问答方法
7.7用MindSpore 实现基于BERT的自动问答
7.7.1数据集准备
7.7.2训练BERT网络
参考文献
第8章无监督学习： 图向量
8.1图向量简介
8.2DeepWalk算法
8.2.1DeepWalk算法原理
8.2.2DeepWalk算法实现
8.3LINE算法
8.3.1LINE算法原理
8.3.2LINE算法实现
8.4Node2Vec算法
8.4.1Node2Vec算法原理
8.4.2Node2Vec算法实现
8.5GCN算法
8.5.1GCN算法原理
8.5.2GCN算法实现
8.6GAT算法
8.6.1GAT算法原理
8.6.2GAT算法实现
8.7应用：推荐系统
8.7.1工业界中的推荐系统
8.7.2推荐系统中的图神经网络模型
参考文献
第9章无监督学习： 深度生成模型
9.1变分自编码器
9.1.1提出背景
9.1.2发展现状
9.1.3技术原理
9.1.4技术难点
9.1.5应用场景
9.2生成对抗网络
9.2.1提出背景
9.2.2发展现状
9.2.3技术原理
9.2.4技术难点
9.2.5应用场景
9.2.6框架模块
9.3应用：数据增强
9.3.1数据增强的定义
9.3.2数据增强的目的
9.3.3传统数据增强的方法
9.3.4基于深度学习的数据增强方法
9.4用MindSpore实现基于生成对抗网络的数据增强
参考文献
第10章深度强化学习
10.1强化学习基本概念
10.1.1基础概念与理论
10.1.2马尔可夫决策过程
10.1.3贝尔曼方程
10.2基本求解方法
10.2.1动态规划法
10.2.2蒙特卡罗法
10.2.3时间差分法
10.3深度强化学习算法
10.3.1DQN算法
10.3.2DDPG算法
10.3.3A3C算法
10.4最新应用
10.4.1推荐系统
10.4.2博弈游戏
10.5用MindSpore实现基于DQN的博弈游戏
参考文献
第11章自动化机器学习
11.1AutoML框架
11.1.1NAS算法
11.1.2超参调优
11.2现有AutoML系统介绍
11.2.1AutoWeka/AutoSklearn/HyperOpt
11.2.2Microsoft NNI
11.3元学习
11.3.1学习优化器
11.3.2学习参数初始化
11.3.3学习损失函数
11.3.4学习度量
11.4用MindSpore实现AutoML
参考文献
第12章端云协同
12.1端侧推理
12.2端云迁移学习
12.3端云联邦学习
12.3.1联邦平均
12.3.2梯度压缩
12.4端云协同框架
参考文献
第13章深度学习可视化
13.1深度学习可视化概述
13.1.1数据分析
13.1.2模型建立与理解
13.1.3训练
13.1.4评估
13.2MindSpore可视化实践
13.2.1可视化流程
13.2.2数据集可视化
13.2.3模型与训练可视化
13.2.4Summary汇总数据格式
参考文献
第14章深度学习的数据准备
14.1数据格式概述
14.2深度学习中的数据格式
14.2.1原始输入
14.2.2标注信息
14.3常用的深度学习数据格式
14.3.1TFRecord格式
14.3.2LMDB存储
14.3.3Rec格式
14.3.4MindSpore数据格式
14.3.5MindSpore数据集
14.4使用MindSpore数据格式进行训练数据准备
14.4.1MindSpore数据格式生成
14.4.2MindSpore数据格式统计与检索
14.4.3MindSpore数据格式训练数据读取
附录A中、英文对照词汇表
附录BMindSpore白皮书
参考文献
