《TensorFlow 2.0深度學習從零開始學》是清華大學出版社2020年出版的圖書，作者是王曉華。
基本介紹
- 中文名：TensorFlow 2.0深度學習從零開始學
- 作者：王曉華
- 出版社：清華大學出版社
- 出版時間：2020年
- ISBN：9787302552734
內容簡介,作品目錄,
內容簡介
隨著人工智慧的發展以及TensorFlow在人工智慧方面的火熱套用，越來越多的大學逐步開設深度學習和人工智慧課程。本書既是一本為讀者量身定製的TensorFlow 2.0入門教材，也是針對需要學習TensorFlow 2.0新內容的讀者提供的基礎與進階知識的深入型教材。 本書分為10章，主要內容包括TensorFlow 2.0開發環境、TensorFlow 2.0新特性、TensorFlow與Keras的使用、TensorFlow 2.0語法基礎、卷積層詳解與MNIST實戰、Dataset使用詳解、TensorFlow Datasets和TensorBoard詳解、ResNet及其實戰、注意力機制、卷積神經網路實戰。 本書內容詳盡、示例豐富，是廣大對TensorFlow 2.0感興趣的讀者必備的參考書，同時也非常適合大中專院校師生學習閱讀，還可作為高等院校計算機及相關專業的教材使用。
作品目錄
第1章TensorFlow2.0的安裝 1
1.1Python基本安裝和用法 1
1.1.1Anaconda的下載與安裝 1
1.1.2Python編譯器PyCharm的安裝 4
1.1.3使用Python計算softmax函式 7
1.2TensorFlow2.0GPU版本的安裝 8
1.2.1檢測Anaconda中的TensorFlow版本 8
1.2.2TensorFlow2.0GPU版本基礎顯示卡推薦和前置軟體安裝 9
1.3HelloTensorFlow2.0 12
1.4本章小結 13
第2章TensorFlow2.0令人期待的變化 14
2.1新的架構、新的運行、新的開始 14
2.1.1API精簡 15
2.1.2EagerExecution 15
2.1.3取消全局變數 15
2.1.4使用函式而不是會話 15
2.1.5棄用collection 16
2.2配角轉成主角：從TensorFlowEagerExecution轉正談起 16
2.2.1Eager簡介與調用 17
2.2.2讀取數據 18
2.3使用TensorFlow2.0模式進行線性回歸的一個簡單例子 20
2.3.1模型的工具與數據的生成 20
2.3.2模型的定義 20
2.3.3損失函式的定義 21
2.3.4梯度函式的更新計算 21
2.4TensorFlow2.0進階—AutoGraph和tf.function 23
2.5本章小結 26
第3章TensorFlow和Keras 27
3.1模型！模型！模型！還是模型 27
3.2使用KerasAPI實現鳶尾花分類的例子（順序模式） 28
3.2.1數據的準備 29
3.2.2數據的處理 30
3.2.3梯度更新函式的寫法 31
3.2.4使用Keras函式式編程實現鳶尾花分類的例子（重點） 32
3.2.5使用保存的Keras模式對模型進行復用 35
3.2.6使用TensorFlow2.0標準化編譯對iris模型進行擬合 35
3.3多輸入單一輸出TensorFlow2.0編譯方法（選學） 40
3.3.1數據的獲取與處理 40
3.3.2模型的建立 41
3.3.3數據的組合 41
3.4多輸入多輸出TensorFlow2.0編譯方法（選學） 44
3.5全連線層詳解 46
3.5.1全連線層的定義與實現 46
3.5.2使用TensorFlow2.0自帶的API實現全連線層 47
3.5.3列印顯示TensorFlow2.0設計的模型結構和參數 51
3.6本章小結 53
第4章TensorFlow2.0語法基礎 54
4.1BP神經網路簡介 54
4.2BP神經網路的兩個基礎算法 58
4.2.1最小二乘法（LS算法） 58
4.2.2道士下山的故事—梯度下降算法 61
4.3反饋神經網路反向傳播算法 63
4.3.1深度學習基礎 63
4.3.2鏈式求導法則 64
4.3.3反饋神經網路原理與公式推導 66
4.3.4反饋神經網路原理的激活函式 72
4.3.5反饋神經網路原理的Python實現 73
4.4本章小結 78
第5章卷積層與MNIST實戰 79
5.1卷積運算 79
5.1.1卷積運算的基本概念 80
5.1.2TensorFlow2.0中卷積函式的實現 81
5.1.3池化運算 83
5.1.4softmax激活函式 84
5.1.5卷積神經網路原理 86
5.2TensorFlow2.0編程實戰：MNIST手寫體識別 89
5.2.1MNIST數據集 89
5.2.2MNIST數據集特徵和標註 91
5.2.3TensorFlow2.0編程實戰：MNIST數據集 93
5.2.4使用自定義的卷積層實現MNIST識別 97
5.3本章小結 101
第6章TensorFlow2.0Dataset使用詳解 102
6.1DatasetAPI基本結構和內容 102
6.1.1DatasetAPI數據種類 103
6.1.2DatasetAPI基礎使用 104
6.2DatasetAPI高級用法 105
6.2.1DatasetAPI數據轉換方法 107
6.2.2讀取圖片數據集的例子 110
6.3使用TFRecordAPI創建和使用數據集 111
6.3.1TFRecord的基本概念 112
6.3.2TFRecord的創建 113
6.3.3TFRecord的讀取 118
6.4TFRecord實戰：帶有處理模型的完整例子 124
6.4.1創建數據集 125
6.4.2創建解析函式 125
6.4.3創建數據模型 126
6.4.4創建讀取函式 126
6.5本章小結 128
第7章TensorFlowDatasets和TensorBoard詳解 129
7.1TensorFlowDatasets簡介 129
7.1.1Datasets數據集的安裝 131
7.1.2Datasets數據集的使用 131
7.2Datasets數據集的使用—FashionMNIST 133
7.2.1FashionMNIST數據集下載與顯示 134
7.2.2模型的建立與訓練 136
7.3使用Keras對FashionMNIST數據集進行處理 138
7.3.1獲取數據集 138
7.3.2數據集的調整 139
7.3.3使用Python類函式建立模型 139
7.3.4模型的查看和參數的列印 141
7.3.5模型的訓練和評估 142
7.4使用TensorBoard可視化訓練過程 144
7.4.1TensorBoard的資料夾設定 145
7.4.2顯式地調用TensorBoard 146
7.4.3使用TensorBoard 148
7.5本章小結 152
第8章從冠軍開始：ResNet 153
8.1ResNet基礎原理與程式設計基礎 153
8.1.1ResNet誕生的背景 154
8.1.2模組工具的TensorFlow實現—不要重複發明輪子 157
8.1.3TensorFlow高級模組layers的用法 157
8.2ResNet實戰：CIFAR-100數據集分類 165
8.2.1CIFAR-100數據集 165
8.2.2ResNet殘差模組的實現 168
8.2.3ResNet網路的實現 170
8.2.4使用ResNet對CIFAR-100數據集進行分類 173
8.3ResNet的兄弟—ResNeXt 175
8.3.1ResNeXt誕生的背景 175
8.3.2ResNeXt殘差模組的實現 177
8.3.3ResNeXt網路的實現 178
8.3.4ResNeXt和ResNet的比較 180
8.4本章小結 180
第9章注意力機制 181
9.1何為“注意力” 181
9.2注意力機制的兩種常見形式 182
9.2.1HardAttention（硬性注意力） 183
9.2.2SoftAttention（軟性注意力） 183
9.3注意力機制的兩種實現形式 183
9.3.1SpatialAttention（空間注意力） 184
9.3.2ChannelAttention（通道注意力） 185
9.4注意力機制的兩種經典模型 186
9.4.1最後的冠軍—SENet 186
9.4.2結合Spatial和Channel的CBAM模型 189
9.4.3注意力的前沿研究—基於細粒度的圖像注意力機制 194
9.5本章小結 196
第10章卷積神經網路實戰：識文斷字也可以 197
10.1文本數據處理 198
10.1.1數據集介紹和數據清洗 198
10.1.2停用詞的使用 201
10.1.3詞向量訓練模型word2vec的使用 203
10.1.4文本主題的提取：基於TF-IDF（選學） 207
10.1.5文本主題的提取：基於TextRank（選學） 211
10.2針對文本的卷積神經網路模型—字元卷積 214
10.2.1字元（非單詞）文本的處理 214
10.2.2卷積神經網路文本分類模型的實現—Conv1D（一維卷積） 222
10.3針對文本的卷積神經網路模型—詞卷積 224
10.3.1單詞的文本處理 224
10.3.2卷積神經網路文本分類模型的實現—Conv2D（二維卷積） 227
10.4使用卷積對文本分類的補充內容 230
10.4.1漢字的文本處理 230
10.4.2其他的細節 233
10.5本章小結 233
