智能前端技術(shù)與實踐

目　　錄
第 1章 開發(fā)環(huán)境配置\t1
1．1 安裝Anaconda3\t1
1．2 安裝TensorFlow 2\t6
1．3 安裝npm包管理工具\t11
1．4 安裝TensorFlow．js的相關(guān)包\t14
1．5 使用WebStorm\t18
1．6 使用Google瀏覽器\t19
1．6．1 注冊Chrome Web Store開發(fā)者\t19
1．6．2 Google瀏覽器擴展程序\t20
1．7 使用微信開發(fā)者工具\t27
1．7．1 添加微信小程序插件\t29
1．7．2 使用微信小程序插件\t29
1．7．3 發(fā)布微信小程序\t35
第 2章 前端開發(fā)基礎\t39
2．1 背景知識概述\t39
2．2 HTML基礎\t40
2．2．1 HTML文檔基本結(jié)構(gòu)\t41
2．2．2 常用標簽\t49
2．3 CSS基礎\t55
2．3．1 CSS的3種使用方法\t55
2．3．2 CSS選擇器\t56
2．4 JavaScript基礎\t56
2．5 與Google擴展程序相關(guān)的JavaScriptAPI\t58
2．6 深度學習中的JavaScript\t61
2．6．1 JavaScript數(shù)據(jù)類型\t61
2．6．2 JavaScript異步編程\t63
2．7 微信小程序開發(fā)\t67
2．7．1 微信小程序框架結(jié)構(gòu)分析\t68
2．7．2 頁面描述文件\t72
2．7．3 頁面樣式文件\t87
2．7．4 邏輯層文件\t88
2．7．5 小程序的事件系統(tǒng)\t91
第3章 深度學習概述\t95
3．1 深度學習環(huán)境\t95
3．1．1 云端深度學習環(huán)境選擇\t95
3．1．2 本地深度學習環(huán)境搭建\t104
3．2 深度學習框架\t105
3．3 TensorFlow 2基礎\t113
3．3．1 數(shù)據(jù)類型\t113
3．3．2 數(shù)值精度\t115
3．3．3 操作和計算圖\t116
3．3．4 自動微分和梯度帶\t117
3．3．5 廣播機制\t118
3．3．6 框架概述\t118
3．4 深度學習基礎\t119
3．4．1 BP神經(jīng)網(wǎng)絡\t120
3．4．2 激活函數(shù)\t121
3．4．3 softmax函數(shù)\t126
3．4．4 損失函數(shù)\t126
3．4．5 梯度下降算法\t130
3．4．6 反向傳播\t132
第4章 TensorFlow．js框架詳解\t134
4．1 TensorFlow．js框架概述\t134
4．2 TensorFlow．js低階API詳解\t136
4．2．1 張量操作方法\t136
4．2．2 數(shù)學運算\t148
4．3 TensorFlow．js高階API詳解\t153
4．3．1 構(gòu)建模型\t154
4．3．2 模型配置\t160
4．3．3 模型訓練\t160
4．3．4 模型評估\t160
4．3．5 模型轉(zhuǎn)換\t164
4．4 TensorFlow．js Vis庫詳解\t166
4．4．1 Visor接口方法介紹\t167
4．4．2 模型可視化\t168
4．4．3 數(shù)據(jù)可視化\t173
4．4．4 模型評價指標\t175
4．5 其他API\t176
4．5．1 數(shù)據(jù)操作\t176
4．5．2 瀏覽器操作\t183
4．5．3 性能優(yōu)化\t184
4．5．4 正則化\t185
4．5．5 早停法\t185
第5章 卷積神經(jīng)網(wǎng)絡\t187
5．1 卷積神經(jīng)網(wǎng)絡概述\t187
5．2 卷積層\t188
5．3 池化層\t192
5．4 輕量級的卷積神經(jīng)網(wǎng)絡\t194
5．4．1 SqueezeNet\t195
5．4．2 MobileNetV1\t198
5．4．3 ShuffleNetV1\t201
5．4．4 Xception\t203
第6章 TensorFlow．js基礎案例\t206
6．1 線性回歸\t207
6．1．1 案例簡介\t207
6．1．2 代碼實現(xiàn)\t207
6．2 logistical回歸\t211
6．2．1 案例簡介\t211
6．2．2 代碼實現(xiàn)\t211
6．3 XOR問題\t215
6．3．1 案例簡介\t215
6．3．2 代碼實現(xiàn)\t216
6．4 加載與應用MobileNet模型\t220
6．4．1 案例簡介\t220
6．4．2 代碼實現(xiàn)\t220
6．5 《你畫我猜》（MNIST手寫數(shù)字版）\t224
6．5．1 案例簡介\t224
6．5．2 代碼實現(xiàn)\t224
第7章 TensorFlow官方數(shù)據(jù)集實戰(zhàn)\t231
7．1 boston_housing數(shù)據(jù)集與實戰(zhàn)案例\t231
7．1．1 數(shù)據(jù)集介紹\t231
7．1．2 房價預測實戰(zhàn)\t232
7．2 與CIFAR-10數(shù)據(jù)集相關(guān)的實戰(zhàn)案例\t235
7．2．1 數(shù)據(jù)集介紹\t235
7．2．2 在Anaconda3 Jupyter Notebook中加載數(shù)據(jù)集\t235
7．2．3 在Kaggle中導入CIFAR-10數(shù)據(jù)集\t236
7．2．4 從本地導入CIFAR-10數(shù)據(jù)集\t240
7．3 與CIFAR-100數(shù)據(jù)集相關(guān)的實戰(zhàn)案例\t248
7．3．1 數(shù)據(jù)集介紹\t248
7．3．2 數(shù)據(jù)集展示\t249
7．4 與MNIST數(shù)據(jù)集相關(guān)的實戰(zhàn)案例\t253
7．4．1 數(shù)據(jù)集介紹\t253
7．4．2 數(shù)據(jù)集展示\t253
7．5 與Fashion_MNIST數(shù)據(jù)集相關(guān)實戰(zhàn)案例\t255
7．5．1 數(shù)據(jù)集介紹\t255
7．5．2 數(shù)據(jù)集加載\t256
7．6 基于CNN的MNIST手寫數(shù)字識別\t257
7．6．1 自定義網(wǎng)絡模型\t257
7．6．2 微信小程序部署\t261
第8章 基于CNN的常見水果分類識別\t266
8．1 數(shù)據(jù)集介紹\t266
8．2 數(shù)據(jù)集標注\t269
8．3 數(shù)據(jù)預處理\t277
8．3．1 數(shù)據(jù)文件讀取\t277
8．3．2 文件解碼\t278
8．3．3 文件數(shù)據(jù)類型轉(zhuǎn)換\t278
8．3．4 數(shù)據(jù)歸一化\t280
8．4 模型概覽\t282
8．5 模型設計\t284
8．6 模型配置\t284
8．7 模型訓練\t285
8．8 模型評估\t286
8．9 模型部署\t289
8．9．1 在微信小程序中加載模型\t289
8．9．2 在Google瀏覽器中加載模型\t291
第9章 基于PoseNet的人體姿態(tài)檢測\t293
9．1 項目概述\t293
9．2 項目初始化\t294
9．2．1 添加camera組件\t295
9．2．2 添加canvas對象\t296
9．3 模型加載\t296
9．4 姿態(tài)檢測\t297
9．5 預測結(jié)果繪制\t301
9．6 效果展示\t302
第 10章 基于Coco SSD的目標檢測\t303
10．1 項目概述\t303
10．2 項目初始化\t304
10．2．1 添加camera組件\t304
10．2．2 添加canvas對象\t305
10．3 模型加載\t305
10．4 目標檢測\t305
10．5 預測結(jié)果繪制\t307
10．6 效果展示\t307
第 11章 OCR技術(shù)\t309
11．1 OCR技術(shù)概述\t310
11．2 OCR工具推薦\t311
11．3 微信OCR\t315
11．3．1 插件配置信息\t316
11．3．2 頁面結(jié)構(gòu)設計\t317
11．3．3 頁面邏輯功能\t318
11．4 Google擴展程序OCR\t319
11．4．1 插件配置信息\t319
11．4．2 頁面結(jié)構(gòu)設計\t320
11．4．3 頁面邏輯功能\t321
11．4．4 后臺腳本\t322
第 12章 神奇的人工智能\t324
12．1 個人網(wǎng)站惡意評論檢測\t324
12．1．1 項目簡介\t324
12．1．2 代碼實現(xiàn)\t326
12．1．3 效果展示\t330
12．2 微信同聲傳譯\t331
12．2．1 項目簡介\t331
12．2．2 代碼實現(xiàn)\t332
12．2．3 效果展示\t333
12．3 Google面館正式營業(yè)了\t334
12．4 猜畫小歌\t335
12．5 Face Touch Monitor\t335
12．6 Teachable Machine\t336
12．7 其他案例\t337