TensorFlow深度學習算法原理與編程實戰

《TensorFlow深度學習算法原理與編程實戰》是2019年1月中國水利水電出版社出版的圖書，作者是蔣子陽。

基本介紹

• 中文名：TensorFlow深度學習算法原理與編程實戰
• 作者：蔣子陽
• 出版時間：2019年1月
• 出版社：中國水利水電出版社
• ISBN：9787517068228  

內容簡介

本書詳盡講述了兩方面的內容——深度學習的算法原理及如何使用TensorFlow框架進行編程實踐。 深度學習的算法原理方面主要包括來人工智慧的歷史，變革以及現代深度神經網路算法。使用TensorFlow框架進行編程實踐方面包括了該框架的基本編程語法及一系列組件如模型持久化、圖像數據處理、TensorBoard可視化、計算加速等。書的最後兩個兩個完整案例綜合前面所學，讓讀者對使用TensorFlow進行深度學習程式設計有個整體的認識。 書中運用大量示例，讓讀者在實戰中體會深度神經神經網路編程的快樂。建議讀者邊學邊練，有難以理解的概念或知識一定要弄清楚，不能迷迷糊糊。要培養自己單獨開發項目的能力。 本書適合對人工智慧有興趣並想進一步了的入門人員、想從事深度學習方面工作的自學者和相關技術人員閱讀。

圖書目錄

第一部分探索深度學習之方式的開始

第1章開篇

1.1人工智慧的發展

1.1.1萌芽

1.1.2復甦

1.1.3現代實踐：大數據+深度神經網路模型

1.2大數據

1.3機器學習與深度學習

1.3.1機器學習

1.3.2深度學習

1.3.3同人工智慧的關係

1.4人工神經網路與TensorFlow

1.4.1人工神經網路

1.4.2TensorFlow

1.5其他主流深度學習框架介紹

1.5.1Caffe

1.5.2Torch

1.5.3Theano

1.5.4MXNet

1.5.5Keras

1.6機器學習的常見任務

1.6.1分類

1.6.2回歸

1.6.3去噪

1.6.4轉錄

1.6.5機器翻譯

1.6.6異常檢測

1.6.7結構化輸出

1.7深度學習的現代套用

1.7.1計算機視覺

1.7.2自然語言處理

1.7.3語音識別

第2章安裝TensorFlow

2.1安裝前的須知

2.1.1檢查硬體是否達標

2.1.2推薦選用GPU進行訓練

2.1.3為什麼選擇Linux系統

2.1.4為什麼選擇Python語言

2.2安裝Anaconda

2.3TensorFlow的兩個主要依賴包

2.3.1Protocol Buffer

2.3.2Bazel

2.4安裝CUDA和cuDNN

2.4.1CUDA

2.4.2cuDNN

2.5正式安裝TensorFlow

2.5.1使用pip安裝

2.5.2從原始碼編譯並安裝

2.6測試你的TensorFlow

2.6.1運行向量相加的例子

2.6.2載入過程存在的一些問題

2.7推薦使用IDE

第3章TensorFlow編程策略

3.1初識計算圖與張量

3.2計算圖——TensorFlow的計算模型

3.3張量——TensorFlow的數據模型

3.3.1概念

3.3.2使用張量

3.4會話——TensorFlow的運行模型

3.4.1TensorFlow系統結構概述

3.4.2簡單使用會話

3.4.3使用with/as環境上下文管理器

3.4.4Session的參數配置

3.4.5placeholder機制

3.5TensorFlow變數

3.5.1創建變數

3.5.2變數與張量

3.6管理變數的變數空間

3.6.1get_variable()函式

3.6.2variable_scope()與name_scope()

第二部分TensorFlow實現深度網路

第4章深度前饋神經網路

4.1網路的前饋方式

4.2全連線

4.2.1神經元與全連線結構

4.2.2前向傳播算法

4.3線性模型的局限性

4.4激活函式

4.4.1常用激活函式

4.4.2激活函式實現去線性化

4.5多層網路解決異或運算

4.6損失函式

4.6.1經典損失函式

4.6.2自定義損失函式

第5章最佳化網路的方法

5.1基於梯度的最佳化

5.1.1梯度下降算法

5.1.2隨機梯度下降

5.2反向傳播

5.2.1簡要解釋反向傳播算法

5.2.2自適應學習率算法

5.2.3TensorFlow提供的最佳化器

5.3學習率的獨立設定

5.3.1指數衰減的學習率

5.3.2其他最佳化學習率的方法

5.4擬合

5.4.1過擬合和欠擬合

5.4.2正則化的方法

5.4.3Bagging方法

5.4.4Dropout方法

第6章全連神經網路的經典實踐

6.1MNIST數據集

6.2網路的設計

6.3超參數和驗證集

6.4與簡單模型的對比

第7章卷積神經網路

7.1準備性的認識

7.1.1圖像識別與經典數據集

7.1.2卷積網路的神經科學基礎

7.1.3卷積神經網路的歷史

7.2卷積

7.2.1卷積運算

7.2.2卷積運算的稀疏連線

7.2.3卷積運算的參數共享

7.2.4卷積運算的平移等變

7.2.5多卷積核

7.2.6卷積層的代碼實現

7.3池化

7.3.1池化過程

7.3.2常用池化函式

7.3.3池化層的代碼實現

7.4實現卷積神經網路的簡例

7.4.1卷積神經網路的一般框架

7.4.2用簡單卷積神經網路實現Cifar-10數據集分類

7.5圖像數據處理

7.5.1圖像編解碼處理

7.5.2翻轉圖像

7.5.3圖像色彩調整

7.5.4圖像標準化處理

7.5.5調整圖像大小

7.5.6圖像的標註框

第8章經典卷積神經網路

8.1LeNet-5卷積網路模型

8.1.1模型結構

8.1.2TensorFlow實現

8.2AlexNet卷積網路模型

8.2.1模型結構

8.2.2TensorFlow實現

8.3VGGNet卷積網路模型

8.3.1模型結構

8.3.2TensorFlow實現

8.4InceptionNet-V3卷積網路模型

8.4.1模型結構

8.4.2Inception V3 Module的實現

8.4.3使用Inception V3完成模型遷移

8.5ResNet卷積網路模型

8.5.1模型結構

8.5.2TensorFlow實現

第9章循環神經網路

9.1循環神經網路簡介

9.1.1循環神經網路的前向傳播程式設計

9.1.2計算循環神經網路的梯度

9.1.3循環神經網路的不同設計模式

9.2自然語言建模與詞向量

9.2.1統計學語言模型

9.2.2Word2Vec

9.2.3用TensorFlow實現Word2Vec

9.3LSTM實現自然語言建模

9.3.1長短時記憶網路（LSTM）

9.3.2LSTM在自然語言建模中的套用

9.3.3循環神經網路的Dropout

9.4循環神經網路的變種

9.4.1雙向循環神經網路

9.4.2深層循環神經網路

第10章深度強化學習

10.1理解基本概念

10.2深度強化學習的思路

10.3典型套用場景舉例

10.3.1場景1：機械臂自控

10.3.2場景2：自動遊戲系統

10.3.3場景3：自動駕駛

10.3.4場景4：智慧型圍棋系統

10.4Q學習與深度Q網路

10.4.1Q學習與深度Q學習

10.4.2深度Q網路

第三部分TensorFlow的使用進階

第11章數據讀取

11.1檔案格式

11.1.1TFRecord格式

11.1.2CSV格式

11.2佇列

11.2.1數據佇列

11.2.2檔案佇列

11.3使用多執行緒處理輸入的數據

11.3.1使用Coordinator類管理執行緒

11.3.2使用QueueRunner創建執行緒

11.4組織數據batch

第12章模型持久化

12.1通過代碼實現

12.2模型持久化的原理

12.2.1model.ckpt.mate檔案

12.2.2從.index與.data檔案讀取變數的值

12.3持久化的MNIST手寫字識別

12.4PB檔案

第13章TensorBoard可視化

13.1TensorBoard簡要介紹

13.2MNIST手寫字識別的可視化

13.2.1實現的過程

13.2.2標量數據可視化結果

13.2.3圖像數據可視化結果

13.2.4計算圖可視化結果

13.3其他監控指標可視化

第14章加速計算

14.1TensorFlow支持的設備

14.2TensorFlow單機實現

14.2.1查看執行運算的設備

14.2.2device()函式的使用

14.3並行訓練的原理

14.3.1數據並行

14.3.2模型並行

14.4單機多GPU加速TensorFlow程式

14.4.1實現的過程

14.4.2多GPU並行的可視化

14.5分散式TensorFlow概述