《TENSORFLOW深度学习 从入门到进阶》求取 ⇩

第1章TensorFlow与深度学习1

1.1 深度学习的由来1

1.2 语言与系统的支持1

1.3 TensorFlow的特点2

1.4 核心组件3

1.5TensorFlow的主要依赖包4

1.5.1 Protocol Buffer包4

1.5.2 Bazel包4

1.6搭建环境6

1.6.1 安装环境6

1.6.2 安装TensorFlow7

1.6.3 安装测试7

1.7 Geany8

1.8揭开深度学习的面纱10

1.8.1 人工智能、机器学习与深度学习10

1.8.2 深度学习的核心思想11

1.8.3 深度学习的应用11

1.9 深度学习的优劣势14

第2章TensorFlow编程基础15

2.1张量16

2.1.1 张量的概念16

2.1.2 张量的使用17

2.1.3 Numpy库17

2.1.4 张量的阶18

2.1.5 张量的形状19

2.1.6 张量应用实例19

2.2 图的实现21

2.3 会话的实现23

2.4认识变量26

2.4.1 变量的创建27

2.4.2 变量的初始化34

2.4.3 变量的更新36

2.4.4 变量的保存37

2.4.5 变量的加载37

2.4.6 共享变量和变量命名空间37

2.5矩阵的操作42

2.5.1 矩阵的生成42

2.5.2 矩阵的变换45

2.6 TensorFlow数据读取的方式50

2.7从磁盘读取信息51

2.7.1 列表格式52

2.7.2 读取图像数据53

第3章TensorFlow编程进阶55

3.1队列与线程55

3.1.1 队列55

3.1.2 队列管理器56

3.1.3 线程协调器57

3.1.4 组合使用59

3.2 TensorFlow嵌入Layer61

3.3 生成随机图片数据62

3.4神经网络63

3.4.1 神经元63

3.4.2 简单神经结构64

3.4.3 深度神经网络66

3.5 损失函数67

3.6梯度下降71

3.6.1 标准梯度法71

3.6.2 批量梯度下降法74

3.6.3 随机梯度下降法75

3.6.4 小批量梯度下降法77

3.6.5 线性模型的局限性78

3.6.6 直线与曲线的拟合演示79

3.7反向传播84

3.7.1 求导链式法则84

3.7.2 反向传播算法思路84

3.7.3 反向传播算法的计算过程85

3.7.4 反向传播演示回归与二分类算法86

3.8 随机训练与批量训练90

3.9 创建分类器92

3.10 模型评估95

3.11优化函数98

3.11.1 随机梯度下降优化算法99

3.11.2 基于动量的优化算法99

3.11.3 Adagrad优化算法100

3.11.4 Adadelta优化算法100

3.11.5 Adam优化算法101

3.11.6 实例演示几种优化算法102

第4章TensorFlow实现线性回归105

4.1矩阵操作实现线性回归问题105

4.1.1 逆矩阵解决线性回归问题105

4.1.2 矩阵分解法实现线性回归106

4.1.3 正则法对iris数据实现回归分析108

4.2 损失函数对iris数据实现回归分析110

4.3 戴明算法对iris数据实现回归分析112

4.4 岭回归与Lasso回归对iris数据实现回归分析115

4.5 弹性网络算法对iris数据实现回归分析119

第5章TensorFlow实现逻辑回归121

5.1什么是逻辑回归121

5.1.1 逻辑回归与线性回归的关系121

5.1.2 逻辑回归模型的代价函数122

5.1.3 逻辑回归的预测函数122

5.1.4 判定边界122

5.1.5 随机梯度下降算法实现逻辑回归124

5.2逆函数及其实现127

5.2.1 逆函数的相关函数127

5.2.2 逆函数的实现129

5.3Softmax回归132

5.3.1 Softmax回归简介132

5.3.2 Softmax的代价函数132

5.3.3 Softmax回归的求解133

5.3.4 Softmax回归的参数特点134

5.3.5 Softmax与逻辑回归的关系135

5.3.6 多分类算法和二分类算法的选择135

5.3.7 计算机视觉领域实例135

第6章TensorFlow实现聚类分析139

6.1支持向量机及实现140

6.1.1 重新审视逻辑回归140

6.1.2 形式化表示141

6.1.3 函数间隔和几何间隔142

6.1.4 最优间隔分类器143

6.1.5 支持向量机对iris数据进行分类143

6.1.6 核函数对数据点进行预测148

6.1.7 非线性支持向量机创建山鸢尾花分类器152

6.1.8 多类支持向量机对iris数据进行预测158

6.2K-均值聚类法及实现165

6.2.1 K-均值聚类相关概念165

6.2.2 K-均值聚类法对iris数据进行聚类166

6.3最近邻算法及实现169

6.3.1 最近邻算法概述169

6.3.2 最近邻算法求解文本距离170

6.3.3 最近邻算法实现地址匹配172

第7章神经网络算法176

7.1反向网络177

7.1.1 问题设置178

7.1.2 反向网络算法179

7.1.3 自动微分179

7.1.4 对随机数进行反向网络演示180

7.2激励函数及实现185

7.2.1 激励函数的用途185

7.2.2 几种激励函数185

7.2.3 几种激励函数的绘图188

7.3 门函数及其实现190

7.4 单层神经网络对iris数据进行训练192

7.5 单个神经元的扩展及实现195

7.6 构建多层神经网络197

7.7 实现井字棋200

第8章TensorFlow实现卷积神经网络208

8.1 全连接网络的局限性208

8.2卷积神经网络的结构209

8.2.1 卷积层210

8.2.2 池化层216

8.2.3 全连接层218

8.3卷积神经网络的训练218

8.3.1 求导的链式法则219

8.3.2 卷积层反向传播219

8.4卷积神经网络的实现223

8.4.1 识别0和1数字224

8.4.2 预测MNIST数字226

8.5几种经典的卷积神经网络及实现231

8.5.1 AlexNet网络及实现231

8.5.2 VGGNet网络及实现236

8.5.3 Inception Net网络及实现241

8.5.4 ResNet网络及实现245

第9章TensorFlow实现循环神经网络250

9.1循环神经网络概述250

9.1.1 循环神经网络的原理251

9.1.2 循环神经网络的应用253

9.1.3 损失函数254

9.1.4 梯度求解255

9.1.5 实现二进制数加法运算257

9.1.6 实现拟合回声信号序列260

9.2 循环神经网络的训练266

9.3循环神经网络的改进267

9.3.1 循环神经网络存在的问题267

9.3.2 LSTM网络268

9.3.3 LSTM核心思想269

9.3.4 LSTM详解与实现269

9.3.5 窥视孔连接273

9.3.6 GRU网络对MNIST数据集分类274

9.3.7 BRNN网络对MNIST数据集分类276

9.3.8 CTC实现端到端训练的语音识别模型279

第10章TensorFlow其他网络287

10.1自编码网络及实现287

10.1.1 自编码网络的结构287

10.1.2 自编码网络的代码实现288

10.2降噪自编码器及实现297

10.2.1 降噪自编码器的原理298

10.2.2 降噪自编码器的实现298

10.3栈式自编码器及实现303

10.3.1 栈式自编码器概述303

10.3.2 栈式自编码器训练304

10.3.3 栈式自编码器进行MNIST手写数字分类304

10.3.4 代替和级联306

10.3.5 自编码器的应用场合306

10.3.6 自编码器的综合实现306

10.4变分自编码器及实现314

10.4.1 变分自编码器的原理315

10.4.2 损失函数315

10.4.3 变分自编码器模拟生成MNIST数据315

10.5条件变分自编码器及实现321

10.5.1 条件变分自编码器概述321

10.5.2 条件变分自编码器生成MNIST数据321

10.6对抗神经网络326

10.6.1 对抗神经网络的原理326

10.6.2 生成模型的应用326

10.6.3 对抗神经网络的训练方法327

10.7DCGAN网络及实现327

10.7.1 DCGAN网络概述327

10.7.2 DCGAN网络模拟MNIST数据327

10.8InfoGAN网络及实现332

10.8.1 什么是互信息333

10.8.2 互信息的下界333

10.8.3 InfoGAN生成MNIST模拟数据334

10.9AEGAN网络及实现335

10.9.1 AEGAN网络概述336

10.9.2 AEGAN对MNIST数据集压缩及重建337

10.10WGAN-GP网络338

10.10.1 WGAN网络339

10.10.2 WGAN-GP网络生成MNIST数据集340

第11章TensorFlow机器学习综合实战345

11.1房屋价格的预测345

11.1.1 K近邻算法预测房屋价格345

11.1.2 卷积神经网络预测房屋价格352

11.1.3 深度神经网络预测房屋价格355

11.2 卷积神经网络实现人脸识别359

11.3 肾癌的转移判断365

11.4 比特币的预测368

参考文献376