TensorFlow深度學習及實踐

《TensorFlow深度學習及實踐》是2020年清華大學出版社出版的圖書，作者是梁佩瑩。

基本介紹

• 書名：TensorFlow深度學習及實踐
• 作者：梁佩瑩
• 出版社：清華大學出版社
• 出版時間：2020年6月1日
• 定價：89 元
• ISBN：9787302543527

內容簡介

TensorFlow是2015年年底開源的一套深度學習框架，也是最活躍的深度學習框架之一。本書從深度學習的基礎講起，深入TensorFlow的基本框架、原理、原始碼和實現等各個方面，其目的在於降低學習門檻，為讀者解決問題提供詳細的方法和指導。本書主要內容包括：人工智慧簡介，TesnorFlow的環境搭建、可視化、基礎知識、聚類分析、回歸分析、支持向量機，TensorFlow實現卷積神經網路、循環神經網路、深度神經網路等。 本書適合作為對深度學習感興趣的初學者的參考用書，也適合作為人工智慧、計算機等相關專業深度學習課程的教材。

圖書目錄

第1章人工智慧簡介

1.1什麼是人工智慧

1.2AlphaGo的原理簡介

1.2.1MCTS算法

1.2.2AlphaGo的基本原理

1.3什麼是深度學習

1.4深度學習的方法

1.5TensorFlow是什麼

1.5.1TensorFlow的特點

1.5.2TensorFlow的使用公司和使用對象

1.5.3為什麼Google要開源這個神器

1.6其他深度學習框架

1.7小結

1.8習題

第2章TensorFlow環境搭建

2.1安裝環境介紹

2.1.1CUDA簡介

2.1.2cuDNN簡介

2.1.3查看GPU信息

2.2安裝TensorFlow

2.2.1下載TensorFlow

2.2.2基於pip的安裝

2.2.3基於Java的安裝

2.2.4從原始碼安裝

2.3其他模組

2.3.1numpy模組

2.3.2matplotlib模組

2.3.3jupyter模組

2.3.4scikitimage模組

2.3.5librosa模組

2.3.6nltk模組

2.3.7keras模組

2.3.8tflearn模組

2.4文本編輯器

2.4.1Geany

2.4.2Sublime Text

2.4.3IDLE

2.4.4PyCharm

2.5TensorFlow測試樣本

2.6小結

2.7習題

第3章TensorFlow可視化

3.1PlayGround

3.1.1數據

3.1.2特徵

3.1.3隱藏層

3.1.4輸出

3.2TensorBoard

3.3TensorBoard代碼

3.4小結

3.5習題

第4章TensorFlow基礎知識

4.1張量

4.1.1張量的屬性

4.1.2張量的創建

4.1.3TensorFlow的互動式運行

4.2數據流圖

4.3操作

4.4會話

4.5變數

4.5.1初始化

4.5.2形變

4.5.3數據類型與維度

4.5.4其他操作

4.5.5共享變數

4.6矩陣的創建與操作

4.7模型的保存與讀取

4.7.1保存模型

4.7.2載入模型

4.7.3從磁碟讀取信息

4.8批標準化

4.9使用GPU

4.9.1指定GPU設備

4.9.2指定GPU的顯存占用

4.10神經元函式

4.10.1激活函式

4.10.2卷積函式

4.10.3分類函式

4.11最佳化方法

4.12佇列與執行緒

4.12.1佇列

4.12.2佇列管理器

4.12.3執行緒和協調器

4.13讀取數據源

4.13.1placeholder填充數據

4.13.2檔案讀入數據

4.13.3預先讀入記憶體方式

4.14創建分類器

4.15小結

4.16習題

第5章TensorFlow聚類分析

5.1無監督學習

5.2聚類的概念

5.3k均值聚類算法

5.3.1k均值聚類算法疊代判據

5.3.2k均值聚類算法的機制

5.3.3k均值聚類算法的優缺點

5.3.4k均值聚類算法的實現

5.4k最近鄰算法

5.4.1實例分析

5.4.2k最近鄰算法概述

5.4.3模型和三要素

5.4.4kNN算法的不足

5.5k均值聚類算法的典型套用

5.5.1實例： 對人工數據集使用k均值聚類算法

5.5.2實例： 對人工數據集使用k最近鄰算法

5.5.3實例： 對圖像識別使用k最近鄰算法

5.6小結

5.7習題

第6章TensorFlow回歸分析

6.1求逆矩陣

6.2矩陣分解

6.3實例： TensorFlow實現線性回歸算法

6.4選擇損失函式

6.4.1最小化損失函式

6.4.2實例： TensorFlow實現線性回歸損失函式

6.5TensorFlow的其他回歸算法

6.5.1戴明回歸算法

6.5.2嶺回歸與lasso回歸算法

6.5.3彈性網路回歸算法

6.6邏輯回歸分析

6.6.1邏輯回歸

6.6.2損失函式

6.6.3實例： TensorFlow實現邏輯回歸算法

6.7小結

6.8習題

第7章TensorFlow支持向量機

7.1支持向量機簡介

7.1.1幾何間隔和函式間隔

7.1.2最大化間隔

7.1.3軟間隔

7.1.4SMO算法

7.1.5核函式

7.1.6實例： TensorFlow實現支持向量機

7.2非線性支持向量機

7.2.1風險最小化

7.2.2VC維

7.2.3結構風險最小化

7.2.4鬆弛變數

7.2.5實例： TensorFlow實現非線性支持向量機

7.3實例： TensorFlow實現多類支持向量機

7.4小結

7.5習題

第8章深度神經網路基礎知識

8.1神經元

8.1.1神經元的結構

8.1.2神經元的功能

8.2簡單神經網路

8.3深度神經網路

8.4梯度下降

8.4.1批量梯度下降法

8.4.2隨機梯度下降法

8.4.3小批量梯度下降法

8.4.4實例： 梯度下降法

8.5前向傳播

8.5.1前向傳播算法數學原理

8.5.2DNN的前向傳播算法

8.6後向傳播

8.6.1求導鏈式法則

8.6.2後向傳播算法思路

8.6.3後向傳播算法的計算過程

8.6.4實例： 實現一個簡單的二值分類算法

8.7最佳化函式

8.7.1隨機梯度下降最佳化法

8.7.2動量最佳化法

8.7.3Adagrad最佳化法

8.7.4Adadelta最佳化法

8.7.5Adam最佳化法

8.8實例： TensorFlow實現簡單深度神經網路

8.9小結

8.10習題

第9章TensorFlow實現卷積神經網路

9.1卷積神經網路的概述

9.1.1什麼是卷積神經網路

9.1.2為什麼要用卷積神經網路

9.1.3卷積神經網路的結構

9.1.4實例： 簡單卷積神經網路的實現

9.2卷積神經網路的函式

9.3AlexNet

9.4TensorFlow實現ResNet

9.4.1ResNet的基本原理

9.4.2實例： TensorFlow實現ResNet

9.5TesnorFlow卷積神經網路的典型套用

9.6反卷積神經網路

9.6.1反卷積原理

9.6.2反卷積操作

9.6.3實例： TensorFlow實現反卷積

9.6.4反池化原理

9.6.5實例： TensorFlow實現反池化

9.6.6偏導計算

9.6.7梯度停止

9.7深度學習的訓練技巧

9.7.1最佳化卷積核技術

9.7.2多通道卷積技術

9.8小結

9.9習題

第10章TensorFlow實現循環神經網路

10.1循環神經網路的概述

10.1.1循環神經網路的結構

10.1.2實例： 簡單循環神經網路的實現

10.2長短時記憶網路

10.2.1LSTM的網路結構

10.2.2LSTM的前向計算

10.2.3實例： LSTM的實現

10.3自然語言建模

10.4實例： BiRNN實現語音識別

10.4.1語音識別背景

10.4.2獲取並整理樣本

10.4.3訓練模型

10.5Seq2Seq任務

10.5.1Seq2Seq任務介紹

10.5.2EncoderDecoder框架

10.5.3實例： TensorFlow實現Seq2Seq翻譯

10.5.4實例： 比特幣市場的分析與預測

10.6小結

10.7習題

第11章TensorFlow實現深度神經網路

11.1深度神經網路的起源

11.2模型介紹

11.2.1AlexNet模型

11.2.2VGG模型

11.2.3GoogleNet模型

11.2.4殘差網路

11.2.5InceptionResNetv2結構

11.2.6其他的深度神經網路結構

11.3實例： VGG藝術風格轉移

11.4生成式對抗網路

11.4.1GAN的理論知識

11.4.2生成式模型的套用

11.4.3discriminator和generator損失計算

11.4.4基於深度卷積的GAN

11.4.5指定類別生成模擬樣本的GAN

11.5實例： 構建InfoGAN生成MNIST模擬數據

11.6小結

11.7習題

參考文獻