深度学习：卷积神经网络技术与实践

　　本书共11章，主要内容包括深度学习简介、Python基础、神经网络基础、卷积神经网络、经典卷积网络结构、迁移学习、循环神经网络、强化学习、深度强化学习、基于策略的算法更新与趋势等，通过具体案例，将Python语言、深度学习思想、强化学习思想和实际工程完美地结合起来。本书由浅入深，从易到难，各章节既相对独立又前后关联，其*大的特点就是打破了传统书籍的讲解方法，在介绍各部分理论基础的同时，搭配具体实例，通过对相关程序的详细讲解进一步加深对理论基础的理解。

暂缺《深度学习：卷积神经网络技术与实践》作者简介

前言
第1章　深度学习简介1
11　机器学习与深度学习1
12　TensorFlow概述2
13　环境搭建3
131　在Windows系统下安装Anaconda3
132　在Anaconda下安装TensorFlow与Keras6
133　Spyder编辑器8
第2章　Python基础11
21　数据类型11
211　数值类型11
212　字符串类型13
213　布尔类型13
22　变量与常量14
23　运算符14
231　运算符概述14
232　运算符优先级15
24　选择与循环15
241　if语句15
242　while循环18
243　for循环20
244　break和continue21
25　列表与元组23
251　创建23
252　查询24
253　修改24
254　删除26
26　字典26
261　字典的创建27
262　字典的常规操作27
263　字典的遍历29
27　函数29
271　函数的定义与调用30
272　参数传递31
28　面向对象编程33
281　类与对象33
282　继承与多态34
29　思考与练习37
第3章　神经网络基础38
31　单层神经网络38
32　多层神经网络39
321　隐藏层39
322　输入层与输出层41
33　激活函数42
331　Sigmoid函数42
332　Tanh函数43
333　Relu函数44
334　Softmax函数45
34　神经网络工作过程45
35　损失函数47
351　均方差函数47
352　交叉熵函数47
36　优化算法48
37　反向传播49
38　泛化能力52
39　多层感知器53
310　MNIST数据集54
3101　下载MNIST数据集54
3102　数据预处理56
311　Keras实现感知器的手写体识别58
3111　单层感知器手写体识别58
3112　多层感知器手写体识别61
312　思考与练习67
第4章　卷积神经网络68
41　卷积神经网络结构及原理68
411　卷积神经网络特点69
412　卷积层70
413　池化层72
414　全连接层73
42　卷积神经网络工作过程74
43　简单卷积神经网络实现MNIST分类76
431　MNIST数据集预处理76
432　简单卷积神经网络搭建77
44　CIFAR-10数据集84
441　下载CIFAR-10数据集85
442　CIFAR-10数据集预处理87
45　简单卷积神经网络实现CIFAR-10分类88
46　思考与练习93
第5章　经典卷积网络结构94
51　LeNet概述94
52　LeNet实现MNIST分类95
521　MNIST数据预处理95
522　基于Keras搭建LeNet网络结构95
523　对LeNet网络模型进行编译、训练、评估与预测98
53　AlexNet概述101
54　AlexNet实现MNIST分类103
541　基于Keras搭建AlexNet网络结构103
542　对AlexNet网络模型进行编译、训练、评估与预测107
55　VGG16概述110
56　VGG16实现MNIST分类111
561　基于Keras搭建VGG16网络结构112
562　对VGG16网络模型进行评估与预测115
57　思考与练习117
第6章　经典卷积网络结构进阶118
61　GoogLeNet概述118
62　GoogLeNet实现MNIST分类119
621　基于Keras搭建GoogLeNet网络结构119
622　对GoogLeNet进行训练、评估与预测125
63　ResNet概述129
64　ResNet50实现MNIST分类131
641　基于Keras搭建ResNet50网络结构131
642　对ResNet50网络模型进行训练、评估与预测138
65　思考与练习142
第7章　迁移学习143
71　基于卷积网络实现迁移学习143
72　InceptionV3实现迁移学习144
73　Xception实现迁移学习150
74　MobileNet实现迁移学习155
75　简单卷积网络实现迁移学习164
76　思考与练习172
第8章　循环神经网络173
81　循环神经网络概述173
82　长短期记忆网络174
821　LSTM前向传播175
822　LSTM反向传播176
83　Reuters数据集176
831　Reuters数据集概述176
832　文本信息预处理177
84　简单RNN实现Reuters分类180
85　LSTM实现Reuters分类185
86　思考与练习190
第9章　强化学习191
91　初识强化学习191
911　什么是强化学习192
912　强化学习能解决什么类型的问题193
913　强化学习如何解决问题194
92　强化学习理论基础194
921　基本组成元素194
922　基本模型196
923　价值函数198
93　求解强化学习—有模型199
931　动态规划与贝尔曼方程199
932　策略迭代200
933　值迭代202
934　值迭代算法实现格子世界202
94　求解强化学习—无模型208
941　蒙特卡罗算法208
942　时间差分法209
943　Q-learning算法210
944　Q-learning实现格子世界211
95　思考与练习213
第10章　深度强化学习214
101　深度强化学习框架214
102　TensorFlow编程216
1021　TensorFlow的计算模型—计算图216
1022　TensorFlow的数据模型—张量219
1023　TensorFlow的运行模型—会话220
1024　TensorFlow变量222
1025　TensorFlow共享变量225
103　Gym的安装及使用226
1031　Gym的安装226
1032　Gym的使用227
104　基于值的算法更新229
1041　Q-learning实现229
1042　DQN算法原理233
1043　DQN算法实现236
1044　DDQN算法原理241
1045　DDQN算法实现243
105　思考与练习248
第11章　基于策略的算法更新与趋势250
111　策略梯度法250
11