TensorFlow深度學(xué)習(xí)從入門(mén)到進(jìn)階

前言

第1章 TensorFlow與深度學(xué)習(xí)
1.1 深度學(xué)習(xí)的由來(lái)
1.2 語(yǔ)言與系統(tǒng)的支持
1.3 TensorFlow的特點(diǎn)
1.4 核心組件
1.5 TensorFlow的主要依賴(lài)包
1.5.1 Protocol Buffer包
1.5.2 Bazel包
1.6 搭建環(huán)境
1.6.1 安裝環(huán)境
1.6.2 安裝TensorFlow
1.6.3 安裝測(cè)試
1.7 Geany
1.8 揭開(kāi)深度學(xué)習(xí)的面紗
1.8.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
1.8.2 深度學(xué)習(xí)的核心思想
1.8.3 深度學(xué)習(xí)的應(yīng)用
1.9 深度學(xué)習(xí)的優(yōu)劣勢(shì)

第2章 TensorFlow編程基礎(chǔ)
2.1 張量
2.1.1 張量的概念
2.1.2 張量的使用
2.1.3 Numpy庫(kù)
2.1.4 張量的階
2.1.5 張量的形狀
2.1.6 張量應(yīng)用實(shí)例
2.2 圖的實(shí)現(xiàn)
2.3 會(huì)話(huà)的實(shí)現(xiàn)
2.4 認(rèn)識(shí)變量
2.4.1 變量的創(chuàng)建
2.4.2 變量的初始化
2.4.3 變量的更新
2.4.4 變量的保存
2.4.5 變量的加載
2.4.6 共享變量和變量命名空間
2.5 矩陣的操作
2.5.1 矩陣的生成
2.5.2 矩陣的變換
2.6 TensorFlow數(shù)據(jù)讀取的方式
2.7 從磁盤(pán)讀取信息
2.7.1 列表格式
2.7.2 讀取圖像數(shù)據(jù)

第3章 TensorFlow編程進(jìn)階
3.1 隊(duì)列與線(xiàn)程
3.1.1 隊(duì)列
3.1.2 隊(duì)列管理器
3.1.3 線(xiàn)程協(xié)調(diào)器
3.1.4 組合使用
3.2 TensorFlow嵌入Layer
3.3 生成隨機(jī)圖片數(shù)據(jù)
3.4 神經(jīng)網(wǎng)絡(luò)
3.4.1 神經(jīng)元
3.4.2 簡(jiǎn)單神經(jīng)結(jié)構(gòu)
3.4.3 深度神經(jīng)網(wǎng)絡(luò)
3.5 損失函數(shù)
3.6 梯度下降
3.6.1 標(biāo)準(zhǔn)梯度法
3.6.2 批量梯度下降法
3.6.3 隨機(jī)梯度下降法
3.6.4 小批量梯度下降法
3.6.5 線(xiàn)性模型的局限性
3.6.6 直線(xiàn)與曲線(xiàn)的擬合演示
3.7 反向傳播
3.7.1 求導(dǎo)鏈?zhǔn)椒▌t
3.7.2 反向傳播算法思路
3.7.3 反向傳播算法的計(jì)算過(guò)程
3.7.4 反向傳播演示回歸與二分類(lèi)算法
3.8 隨機(jī)訓(xùn)練與批量訓(xùn)練
3.9 創(chuàng)建分類(lèi)器
3.10 模型評(píng)估
3.11 優(yōu)化函數(shù)
3.11.1 隨機(jī)梯度下降優(yōu)化算法
3.11.2 基于動(dòng)量的優(yōu)化算法
3.11.3 Adagrad優(yōu)化算法
3.11.4 Adadelta優(yōu)化算法
3.11.5 Adam優(yōu)化算法
3.11.6 實(shí)例演示幾種優(yōu)化算法

第4章 TensorFlow實(shí)現(xiàn)線(xiàn)性回歸
4.1 矩陣操作實(shí)現(xiàn)線(xiàn)性回歸問(wèn)題
4.1.1 逆矩陣解決線(xiàn)性回歸問(wèn)題
4.1.2 矩陣分解法實(shí)現(xiàn)線(xiàn)性回歸
4.1.3 正則法對(duì)iris數(shù)據(jù)實(shí)現(xiàn)回歸分析
4.2 損失函數(shù)對(duì)iris數(shù)據(jù)實(shí)現(xiàn)回歸分析
4.3 戴明算法對(duì)iris數(shù)據(jù)實(shí)現(xiàn)回歸分析
4.4 嶺回歸與Lasso回歸對(duì)iris數(shù)據(jù)實(shí)現(xiàn)回歸分析
4.5 彈性網(wǎng)絡(luò)算法對(duì)iris數(shù)據(jù)實(shí)現(xiàn)回歸分析

第5章 TensorFlow實(shí)現(xiàn)邏輯回歸
5.1 什么是邏輯回歸
5.1.1 邏輯回歸與線(xiàn)性回歸的關(guān)系
5.1.2 邏輯回歸模型的代價(jià)函數(shù)
5.1.3 邏輯回歸的預(yù)測(cè)函數(shù)
5.1.4 判定邊界
5.1.5 隨機(jī)梯度下降算法實(shí)現(xiàn)邏輯回歸
5.2 逆函數(shù)及其實(shí)現(xiàn)
5.2.1 逆函數(shù)的相關(guān)函數(shù)
5.2.2 逆函數(shù)的實(shí)現(xiàn)
5.3 Softmax回歸
5.3.1 Softmax回歸簡(jiǎn)介
5.3.2 Softmax的代價(jià)函數(shù)
5.3.3 Softmax回歸的求解
5.3.4 Softmax回歸的參數(shù)特點(diǎn)
5.3.5 Softmax與邏輯回歸的關(guān)系
5.3.6 多分類(lèi)算法和二分類(lèi)算法的選擇
5.3.7 計(jì)算機(jī)視覺(jué)領(lǐng)域?qū)嵗?

第6章 TensorFlow實(shí)現(xiàn)聚類(lèi)分析
6.1 支持向量機(jī)及實(shí)現(xiàn)
6.1.1 重新審視邏輯回歸
6.1.2 形式化表示
6.1.3 函數(shù)間隔和幾何間隔
6.1.4 最優(yōu)間隔分類(lèi)器
6.1.5 支持向量機(jī)對(duì)iris數(shù)據(jù)進(jìn)行分類(lèi)
6.1.6 核函數(shù)對(duì)數(shù)據(jù)點(diǎn)進(jìn)行預(yù)測(cè)
6.1.7 非線(xiàn)性支持向量機(jī)創(chuàng)建山鳶尾花分類(lèi)器
6.1.8 多類(lèi)支持向量機(jī)對(duì)iris數(shù)據(jù)進(jìn)行預(yù)測(cè)
6.2 K-均值聚類(lèi)法及實(shí)現(xiàn)
6.2.1 K-均值聚類(lèi)相關(guān)概念
6.2.2 K-均值聚類(lèi)法對(duì)iris數(shù)據(jù)進(jìn)行聚類(lèi)
6.3 最近鄰算法及實(shí)現(xiàn)
6.3.1 最近鄰算法概述
6.3.2 最近鄰算法求解文本距離
6.3.3 最近鄰算法實(shí)現(xiàn)地址匹配

第7章 神經(jīng)網(wǎng)絡(luò)算法
7.1 反向網(wǎng)絡(luò)
7.1.1 問(wèn)題設(shè)置
7.1.2 反向網(wǎng)絡(luò)算法
7.1.3 自動(dòng)微分
7.1.4 對(duì)隨機(jī)數(shù)進(jìn)行反向網(wǎng)絡(luò)演示
7.2 激勵(lì)函數(shù)及實(shí)現(xiàn)
7.2.1 激勵(lì)函數(shù)的用途
7.2.2 幾種激勵(lì)函數(shù)
7.2.3 幾種激勵(lì)函數(shù)的繪圖
7.3 門(mén)函數(shù)及其實(shí)現(xiàn)
7.4 單層神經(jīng)網(wǎng)絡(luò)對(duì)iris數(shù)據(jù)進(jìn)行訓(xùn)練
7.5 單個(gè)神經(jīng)元的擴(kuò)展及實(shí)現(xiàn)
7.6 構(gòu)建多層神經(jīng)網(wǎng)絡(luò)
7.7 實(shí)現(xiàn)井字棋

第8章 TensorFlow實(shí)現(xiàn)卷積神經(jīng)網(wǎng)絡(luò)
8.1 全連接網(wǎng)絡(luò)的局限性
8.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
8.2.1 卷積層
8.2.2 池化層
8.2.3 全連接層
8.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
8.3.1 求導(dǎo)的鏈?zhǔn)椒▌t
8.3.2 卷積層反向傳播
8.4 卷積神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn)
8.4.1 識(shí)別0和1數(shù)字
8.4.2 預(yù)測(cè)MNIST數(shù)字
8.5 幾種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)及實(shí)現(xiàn)
8.5.1 AlexNet網(wǎng)絡(luò)及實(shí)現(xiàn)
8.5.2 VGGNet網(wǎng)絡(luò)及實(shí)現(xiàn)
8.5.3 Inception Net網(wǎng)絡(luò)及實(shí)現(xiàn)
8.5.4 RestNet