TensorFlow深度学习算法原理与编程实战出版时间: 2019内容简介 TensorFlow是谷歌研发的人工智能学习系统,是一个用于数值计算的开源软件库。《TensorFlow深度学习算法原理与编程实战》以基础+实践相结合的形式,详细介绍了TensorFlow深度学习算法原理及编程技巧。通读全书,读者不仅可以系统了解深度学习的相关知识,还能对使用TensorFlow进行深度学习算法设计的过程有更深入的理解。 《TensorFlow深度学习算法原理与编程实战》共14章,主要内容有:人工智能、大数据、机器学习和深度学习概述;深度学习及TensorFlow框架的相关背景;TensorFlow的安装;TensorFlow编程策略;深度前馈神经网络;优化网络的方法;全连神经网络的经典实践;卷积神经网络的基础知识;经典卷积神经网络的TensorFlow实现;循环神经网络及其应用;深度强化学习概述;TensorFlow读取数据的API;TensorFlow持久化模型的API;可视化工具TensorBoard的使用;TensorFlow使用多GPU或并行的方式加速计算等。 《TensorFlow深度学习算法原理与编程实战》内容通俗易懂,案例丰富,实用性强,特别适合对人工智能、深度学习感兴趣的的相关从业人员阅读,也适合没有相关基础但是对该方面研究充满兴趣的爱好者阅读。目录第一部分探索深度学习之方式的开始第1章开篇1.1人工智能的发展1.1.1萌芽1.1.2复苏1.1.3现代实践:大数据+深度神经网络模型1.2大数据1.3机器学习与深度学习1.3.1机器学习1.3.2深度学习1.3.3同人工智能的关系1.4人工神经网络与TensorFlow1.4.1人工神经网络1.4.2TensorFlow1.5其他主流深度学习框架介绍1.5.1Caffe1.5.2Torch1.5.3Theano1.5.4MXNet1.5.5Keras1.6机器学习的常见任务1.6.1分类1.6.2回归1.6.3去噪1.6.4转录1.6.5机器翻译1.6.6异常检测1.6.7结构化输出1.7深度学习的现代应用1.7.1计算机视觉1.7.2自然语言处理1.7.3语音识别第2章安装TensorFlow2.1安装前的须知2.1.1检查硬件是否达标2.1.2推荐选用GPU进行训练2.1.3为什么选择Linux系统2.1.4为什么选择Python语言2.2安装Anaconda2.3TensorFlow的两个主要依赖包2.3.1Protocol Buffer2.3.2Bazel2.4安装CUDA和cuDNN2.4.1CUDA2.4.2cuDNN2.5正式安装TensorFlow2.5.1使用pip安装2.5.2从源代码编译并安装2.6测试你的TensorFlow2.6.1运行向量相加的例子2.6.2加载过程存在的一些问题2.7推荐使用IDE第3章TensorFlow编程策略3.1初识计算图与张量3.2计算图——TensorFlow的计算模型3.3张量——TensorFlow的数据模型3.3.1概念3.3.2使用张量3.4会话——TensorFlow的运行模型3.4.1TensorFlow系统结构概述3.4.2简单使用会话3.4.3使用with/as环境上下文管理器3.4.4Session的参数配置3.4.5placeholder机制3.5TensorFlow变量3.5.1创建变量3.5.2变量与张量3.6管理变量的变量空间3.6.1get_variable()函数3.6.2variable_scope()与name_scope()第二部分TensorFlow实现深度网络第4章深度前馈神经网络4.1网络的前馈方式4.2全连接4.2.1神经元与全连接结构4.2.2前向传播算法4.3线性模型的局限性4.4激活函数4.4.1常用激活函数4.4.2激活函数实现去线性化4.5多层网络解决异或运算4.6损失函数4.6.1经典损失函数4.6.2自定义损失函数第5章优化网络的方法5.1基于梯度的优化5.1.1梯度下降算法5.1.2随机梯度下降5.2反向传播5.2.1简要解释反向传播算法5.2.2自适应学习率算法5.2.3TensorFlow提供的优化器5.3学习率的独立设置5.3.1指数衰减的学习率5.3.2其他优化学习率的方法5.4拟合5.4.1过拟合和欠拟合5.4.2正则化的方法5.4.3Bagging方法5.4.4Dropout方法第6章全连神经网络的经典实践6.1MNIST数据集6.2网络的设计6.3超参数和验证集6.4与简单模型的对比第7章卷积神经网络7.1准备性的认识7.1.1图像识别与经典数据集7.1.2卷积网络的神经科学基础7.1.3卷积神经网络的历史7.2卷积7.2.1卷积运算7.2.2卷积运算的稀疏连接7.2.3卷积运算的参数共享7.2.4卷积运算的平移等变7.2.5多卷积核7.2.6卷积层的代码实现7.3池化7.3.1池化过程7.3.2常用池化函数7.3.3池化层的代码实现7.4实现卷积神经网络的简例7.4.1卷积神经网络的一般框架7.4.2用简单卷积神经网络实现Cifar-10数据集分类7.5图像数据处理7.5.1图像编解码处理7.5.2翻转图像7.5.3图像色彩调整7.5.4图像标准化处理7.5.5调整图像大小7.5.6图像的标注框第8章经典卷积神经网络8.1LeNet-5卷积网络模型8.1.1模型结构8.1.2TensorFlow实现8.2AlexNet卷积网络模型8.2.1模型结构8.2.2TensorFlow实现8.3VGGNet卷积网络模型8.3.1模型结构8.3.2TensorFlow实现8.4InceptionNet-V3卷积网络模型8.4.1模型结构8.4.2Inception V3 Module的实现8.4.3使用Inception V3完成模型迁移8.5ResNet卷积网络模型8.5.1模型结构8.5.2TensorFlow实现第9章循环神经网络9.1循环神经网络简介9.1.1循环神经网络的前向传播程序设计9.1.2计算循环神经网络的梯度9.1.3循环神经网络的不同设计模式9.2自然语言建模与词向量9.2.1统计学语言模型9.2.2Word2Vec9.2.3用TensorFlow实现Word2Vec9.3LSTM实现自然语言建模9.3.1长短时记忆网络(LSTM)9.3.2LSTM在自然语言建模中的应用9.3.3循环神经网络的Dropout9.4循环神经网络的变种9.4.1双向循环神经网络9.4.2深层循环神经网络第10章深度强化学习10.1理解基本概念10.2深度强化学习的思路10.3典型应用场景举例10.3.1场景1:机械臂自控10.3.2场景2:自动游戏系统10.3.3场景3:自动驾驶10.3.4场景4:智能围棋系统10.4Q学习与深度Q网络10.4.1Q学习与深度Q学习10.4.2深度Q网络第三部分TensorFlow的使用进阶第11章数据读取11.1文件格式11.1.1TFRecord格式11.1.2CSV格式11.2队列11.2.1数据队列11.2.2文件队列11.3使用多线程处理输入的数据11.3.1使用Coordinator类管理线程11.3.2使用QueueRunner创建线程11.4组织数据batch第12章模型持久化12.1通过代码实现12.2模型持久化的原理12.2.1model.ckpt.mate文件12.2.2从.index与.data文件读取变量的值12.3持久化的MNIST手写字识别12.4PB文件第13章TensorBoard可视化13.1TensorBoard简要介绍13.2MNIST手写字识别的可视化13.2.1实现的过程13.2.2标量数据可视化结果13.2.3图像数据可视化结果13.2.4计算图可视化结果13.3其他监控指标可视化第14章加速计算14.1TensorFlow支持的设备14.2TensorFlow单机实现14.2.1查看执行运算的设备14.2.2device()函数的使用14.3并行训练的原理14.3.1数据并行14.3.2模型并行14.4单机多GPU加速TensorFlow程序14.4.1实现的过程14.4.2多GPU并行的可视化14.5分布式TensorFlow概述 上一篇: MySQL 5.7从零开始学(视频教学版) 下一篇: Kotlin程序员面试算法宝典