飞桨PaddlePaddle深度学习实战

　　本书由百度官方出品，百度公司CTO王海峰博士作序，张钹院士、李未院士、百度集团副总裁吴甜联袂推荐。 本书遵循“内容全面、由浅入深、注重实践”的原则，基于飞桨PaddlePaddle深度学习平台，较为全面地覆盖了学习深度学习技术所必须具备的基础知识以及深度学习主要核心技术，包括相关的数学基础、Python编程基础、机器学习基础以及正向/反向传播算法、卷积神经网络、循环神经网络等，尽量做到读懂一本书即可达到“零基础”到“全精通”。 在章节安排上，考虑读者的特点和认知规律，在知识架构和案例穿插的设计上确保循序渐进、由浅入深。同时，本书提供了大量的深度学习实战案例，覆盖了当前计算机视觉、自然语言处理、个性化推荐等领域主流应用典型的算法，每章都单独配以飞桨代码实现，详细解析实操过程，手把手引导读者开展实践练习、深入掌握相关知识。 本书提供配套代码合集，详情请访问https：//aistudiobaiducom/aistudio/projectdetail/518424。

　　作者简介 刘祥龙 副教授，博士生导师，现任职于北京航空航天大学软件开发环境国家重点实验室，主要研究大数据检索、大规模视觉分析、可信赖深度学习等。近年来，主持国家自然科学基金、国防科技创新重点项目、科技创新2030人工智能重大项目等多项国家课题；发表人工智能领域国际会议及期刊论文60余篇。Pattern Recognition等多个国际SCI期刊编委/客座编辑以及ACM MM 2019/2020等国际会议领域主席/高级程序委员等，国家新一代人工智能产业技术创新战略联盟启智开源开放平台技术委员会委员。曾作为主要执笔人参与国家新一代人工智能实施建议、AI 20 国家战略研究发展报告的撰写。获陕西省自然科学一等奖、北京市科技新星、中国计算机学会博士学位论文、中国计算机学会首届青年人才发展计划等奖励和荣誉。 ？杨晴虹 博士，中科院系列高级工程师，北航软件学院人工智能专业主讲教师，美国南康涅狄格州立大学图书信息科学访问学者，美国耶鲁大学技术创新实验室数据分析专家。发表国际论文几十篇，主要研究领域有机器学习、知识挖掘、大数据分析、项目管理和科研管理等。在机器学习、深度学习、神经网络等领域有丰富的实践经验，曾主导和参与多个相关的项目并取得成功。 ？胡晓光 百度杰出研发架构师，10余年自然语言处理研发经验，参与的机器翻译项目获得国家科技进步二等奖，现负责飞桨核心训练框架和模型算法的研发，致力于打造*好用的深度学习平台。 ？于佃海 百度深度学习平台飞桨（PaddlePaddle）总架构师。2008年从北京大学毕业加入百度，长期从事机器学习、自然语言处理相关的技术研发和平台建设工作，在国际学术会议发表论文十余篇，作为骨干成员参与了国家973计划、国家重点研发计划、科技创新2030等国家科技计划的多个项目，曾获中国电子学会科技进步一等奖、2019年CCF杰出工程师奖。 ？白浩杰 北航、大连理工特聘讲师，百度认证深度学习布道师，美国佛罗里达国际大学高性能数据实验室访问学者，致力于移动对象数据库、数据可视化、机器学习、深度学习等方向的研究。鸥若教育人工智能主讲教师，具有丰富的PaddlePaddle深度学习授课和实验设计经验。

序
前言
第一部分　数学与编程基础篇
第1章　数学基础与Python库2
11　Python是进行人工智能编程的主要语言2
12　数学基础3
121　线性代数基础3
122　微积分基础7
13　Python库的操作14
131　NumPy操作14
132　Matplotlib操作19
14　本章小结23
第2章　深度学习概论与飞桨入门24
21　人工智能、机器学习和深度学习25
211　人工智能25
212　机器学习26
213　深度学习26
22　深度学习的发展历程27
221　神经网络的第一次高潮27
222　神经网络的第一次寒冬28
223　神经网络的第二次高潮30
224　神经网络的第二次寒冬30
225　深度学习的来临31
226　深度学习崛起的时代背景31
23　深度学习的应用场景31
231　图像与视觉32
232　语音识别32
233　自然语言处理33
234　个性化推荐33
24　常见的深度学习网络结构34
241　全连接网络结构34
242　卷积神经网络34
243　循环神经网络35
25　机器学习回顾35
251　线性回归的基本概念36
252　数据处理37
253　模型概览38
254　效果展示39
26　深度学习框架简介40
261　深度学习框架的优势40
262　常见的深度学习框架41
263　飞桨简介42
264　飞桨安装42
265　AI Studio43
27　飞桨实现44
28　飞桨服务平台和工具组件51
281　PaddleHub51
282　X2Paddle54
283　PARL56
284　EasyDL61
29　本章小结62
第二部分　深度学习基础篇
第3章　深度学习的单层网络64
31　Logistic回归模型64
311　Logistic回归概述64
312　损失函数66
313　Logistic回归的梯度下降68
32　实现Logistic回归模型72
321　NumPy版本73
322　飞桨版本80
33　本章小结88
第4章　浅层神经网络89
41　神经网络89
411　神经网络的定义及其结构89
412　神经网络的计算91
42　BP算法96
421　逻辑回归与BP算法96
422　单样本双层神经网络的BP算法97
423　多样本神经网络的BP算法100
43　BP算法实践103
431　NumPy版本103
432　飞桨版本110
44　本章小结114
第5章　深层神经网络116
51　深层网络介绍116
511　深度影响算法能力116
512　网络演化过程与常用符号118
52　传播过程120
521　神经网络算法核心思想120
522　深层网络正向传播过程120
523　深层网络反向传播过程121
524　传播过程总结122
53　网络的参数124
54　代码实现125
541　NumPy版本125
542　飞桨版本128
55　本章小结130
第6章　卷积神经网络131
61　图像分类问题描述131
62　卷积神经网络介绍132
621　卷积层132
622　ReLU激活函数136
623　池化层137
624　Softmax分类层138
625　主要特点139
626　经典神经网络架构140
63　飞桨实现145
631　数据介绍145
632　模型概览146
633　配置说明146
64　本章小结153
第7章　循环神经网络154
71　任务描述154
72　循环神经网络介绍155
721　长短期记忆网络156
722　门控循环单元157
723　双向循环神经网络158
724　卷积循环神经网络159
73　利用飞桨实现机器翻译159
731　数据准备159
732　柱搜索 163
733　模型配置167
734　模型训练168
735　加载训练模型进行预测169
74　本章小结170
第8章　注意力机制171
81　任务描述171
82　注意力机制介绍172
821　Transformer172
822　Non-local神经网络175
823　Attention Cluster神经网络176
83　利用飞桨实现视频分类177
831　Non-local神经网络177
832　Attention Cluster183
84　本章小结195
第9章　算法优化196
91　基础知识196
911　训练、验证和测试集196
912　偏差和方差197
92　评估198
921　选定评估目标198
922　迭代过程199
923　欠拟合和过拟合199
93　调优策略199
931　降低偏差199
932　降低方差204
94　超参数调优209
941　随机搜索和网格搜索209
942　超参数范围209
943　分阶段搜索210
944　例子：对学习率的调整210
95　本章小结212
第三部分　飞桨实践篇
第10章　目标检测214
101　任务描述214
102　常见模型解析217
1021　R-CNN系列217
1022　YOLO223
1023　SSD228
103　PaddleDetection应用实践231
1031　Faster-R-CNN231
1032　YOLOv3234
104　本章小结237
第11章　图像生成238
111　任务描述238
1111　图像生成238
1112　图像–图像转换239
1113　文本–图像转换239
112　模型概览240
1121　图像生成240
1122　图像–图像241
1123　文本–图像246
113　PaddleGAN应用实践248
1131　数据准备248
1132　参数设置248
1133　网络结构定义249
1134　模型训练253
1135　模型测试 256
114　本章小结257
第12章　情感分析258
121　任务描述258
122　算法原理解析259
1221　BOW259
1222　DB-LSTM259
123　情感分析应用实践261
1231　数据集下载261
1232　配置模