TensorFlow是2015年年底开源的一套深度学习框架，也是目前最活跃的深度学习框架之一。本书从深度学习的基础讲起，深入TensorFlow的基本框架、原理、源代码和实现等各个方面，其目的在于降低学习门槛，为读者解决问题提供详细的方法和指导。本书主要内容包括：人工智能简介，TesnorFlow的环境搭建、可视化、基础知识、聚类分析、回归分析、支持向量机，TensorFlow实现卷积神经网络、循环神经网络、深度神经网络等。
本书适合作为对深度学习感兴趣的初学者的参考用书，也适合作为人工智能、计算机等相关专业深度学习课程的教材。
第1章 人工智能简介
1.1 什么是人工智能
1.2 AlphaGo的原理简介
1.2.1 MCTS算法
1.2.2 AlphaGo的基本原理
1.3 什么是深度学习
1.4 深度学习的方法
1.5 TensorFlow是什么
1.5.1 TensorFlow的特点
1.5.2 TensorFlow的使用公司和使用对象
1.5.3 为什么Google要开源这个神器
1.6 其他深度学习框架
1.7 小结
1.8 习题
第2章 TensorFlow环境搭建
2.1 安装环境介绍
2.1.1 CUDA简介
2.1.2 cuDNN简介
2.1.3 查看GPU信息
2.2 安装TensorFlow
2.2.1 下载TensorFlow
2.2.2 基于pip的安装
2.2.3 基于Java的安装
2.2.4 从源代码安装
2.3 其他模块
2.3.1 numpy模块
2.3.2 matplotlib模块
2.3.3 jupyter模块
2.3.4 scikitimage模块
2.3.5 librosa模块
2.3.6 nltk模块
2.3.7 keras模块
2.3.8 tflearn模块
2.4 文本编辑器
2.4.1 Geany
2.4.2 Sublime Text
2.4.3 IDLE
2.4.4 PyCharm
2.5 TensorFlow测试样本
2.6 小结
2.7 习题
第3章 TensorFlow可视化
3.1 PlayGround
3.1.1 数据
3.1.2 特征
3.1.3 隐藏层
3.1.4 输出
3.2 TensorBoard
3.3 TensorBoard代码
3.4 小结
3.5 习题
第4章 TensorFlow基础知识
4.1 张量
4.1.1 张量的属性
4.1.2 张量的创建
4.1.3 TensorFlow的交互式运行
4.2 数据流图
4.3 操作
4.4 会话
4.5 变量
4.5.1 初始化
4.5.2 形变
4.5.3 数据类型与维度
4.5.4 其他操作
4.5.5 共享变量
4.6 矩阵的创建与操作
4.7 模型的保存与读取
4.7.1 保存模型
4.7.2 载入模型
4.7.3 从磁盘读取信息
4.8 批标准化
4.9 使用GPU
4.9.1 指定GPU设备
4.9.2 指定GPU的显存占用
4.10 神经元函数
4.10.1 激活函数
4.10.2 卷积函数
4.10.3 分类函数
4.11 优化方法
4.12 队列与线程
4.12.1 队列
4.12.2 队列管理器
4.12.3 线程和协调器
4.13 读取数据源
4.13.1 placeholder填充数据
4.13.2 文件读入数据
4.13.3 预先读入内存方式
4.14 创建分类器
4.15 小结
4.16 习题
第5章 TensorFlow聚类分析
5.1 无监督学习
5.2 聚类的概念
5.3 k均值聚类算法
5.3.1 k均值聚类算法迭代判据
5.3.2 k均值聚类算法的机制
5.3.3 k均值聚类算法的优缺点
5.3.4 k均值聚类算法的实现
5.4 k最近邻算法
5.4.1 实例分析
5.4.2 k最近邻算法概述
5.4.3 模型和三要素
5.4.4 kNN算法的不足
5.5 k均值聚类算法的典型应用
5.5.1 实例： 对人工数据集使用k均值聚类算法
5.5.2 实例： 对人工数据集使用k最近邻算法
5.5.3 实例： 对图像识别使用k最近邻算法
5.6 小结
5.7 习题
第6章 TensorFlow回归分析
6.1 求逆矩阵
6.2 矩阵分解
6.3 实例： TensorFlow实现线性回归算法
6.4 选择损失函数
6.4.1 最小化损失函数
6.4.2 实例： TensorFlow实现线性回归损失函数
6.5 TensorFlow的其他回归算法
6.5.1 戴明回归算法
6.5.2 岭回归与lasso回归算法
6.5.3 弹性网络回归算法
6.6 逻辑回归分析
6.6.1 逻辑回归
6.6.2 损失函数
6.6.3 实例： TensorFlow实现逻辑回归算法
6.7 小结
6.8 习题
第7章 TensorFlow支持向量机
7.1 支持向量机简介
7.1.1 几何间隔和函数间隔
7.1.2 最大化间隔
7.1.3 软间隔
7.1.4 SMO算法
7.1.5 核函数
7.1.6 实例： TensorFlow实现支持向量机
7.2 非线性支持向量机
7.2.1 风险最小化
7.2.2 VC维
7.2.3 结构风险最小化
7.2.4 松弛变量
7.2.5 实例： TensorFlow实现非线性支持向量机
7.3 实例： TensorFlow实现多类支持向量机
7.4 小结
7.5 习题
第8章 深度神经网络基础知识
8.1 神经元
8.1.1 神经元的结构
8.1.2 神经元的功能
8.2 简单神经网络
8.3 深度神经网络
8.4 梯度下降
8.4.1 批量梯度下降法
8.4.2 随机梯度下降法
8.4.3 小批量梯度下降法
8.4.4 实例： 梯度下降法
8.5 前向传播
8.5.1 前向传播算法数学原理
8.5.2 DNN的前向传播算法
8.6 后向传播
8.6.1 求导链式法则
8.6.2 后向传播算法思路
8.6.3 后向传播算法的计算过程
8.6.4 实例： 实现一个简单的二值分类算法
8.7 优化函数
8.7.1 随机梯度下降优化法
8.7.2 动量优化法
8.7.3 Adagrad优化法
8.7.4 Adadelta优化法
8.7.5 Adam优化法
8.8 实例： TensorFlow实现简单深度神经网络
8.9 小结
8.10 习题
第9章 TensorFlow实现卷积神经网络
9.1 卷积神经网络的概述
9.1.1 什么是卷积神经网络
9.1.2 为什么要用卷积神经网络
9.1.3 卷积神经网络的结构
9.1.4 实例： 简单卷积神经网络的实现
9.2 卷积神经网络的函数
9.3 AlexNet
9.4 TensorFlow实现ResNet
9.4.1 ResNet的基本原理
9.4.2 实例： TensorFlow实现ResNet
9.5 TesnorFlow卷积神经网络的典型应用
9.6 反卷积神经网络
9.6.1 反卷积原理
9.6.2 反卷积操作
9.6.3 实例： TensorFlow实现反卷积
9.6.4 反池化原理
9.6.5 实例： TensorFlow实现反池化
9.6.6 偏导计算
9.6.7 梯度停止
9.7 深度学习的训练技巧
9.7.1 优化卷积核技术
9.7.2 多通道卷积技术
9.8 小结
9.9 习题
第10章 TensorFlow实现循环神经网络
10.1 循环神经网络的概述
10.1.1 循环神经网络的结构
10.1.2 实例： 简单循环神经网络的实现
10.2 长短时记忆网络
10.2.1 LSTM的网络结构
10.2.2 LSTM的前向计算
10.2.3 实例： LSTM的实现
10.3 自然语言建模
10.4 实例： BiRNN实现语音识别
10.4.1 语音识别背景
10.4.2 获取并整理样本
10.4.3 训练模型
10.5 Seq2Seq任务
10.5.1 Seq2Seq任务介绍
10.5.2 EncoderDecoder框架
10.5.3 实例： TensorFlow实现Seq2Seq翻译
10.5.4 实例： 比特币市场的分析与预测
10.6 小结
10.7 习题
第11章 TensorFlow实现深度神经网络
11.1 深度神经网络的起源
11.2 模型介绍
11.2.1 AlexNet模型
11.2.2 VGG模型
11.2.3 GoogleNet模型
11.2.4 残差网络
11.2.5 InceptionResNetv2结构
11.2.6 其他的深度神经网络结构
11.3 实例： VGG艺术风格转移
11.4 生成式对抗网络
11.4.1 GAN的理论知识
11.4.2 生成式模型的应用
11.4.3 discriminator和generator损失计算
11.4.4 基于深度卷积的GAN
11.4.5 指定类别生成模拟样本的GAN
11.5 实例： 构建InfoGAN生成MNIST模拟数据
11.6 小结
11.7 习题
参考文献
[
我的消息
购物车
