●第1章緒論1
1.1引言2
1.2深度學習的發展歷程3
1.3TensorFlow應用現狀5
習題6
第2章機器學習概論7
2.1機器學習相關的數學知識8
2.1.1微積分8
2.1.2線性代數11
2.1.3概率論14
2.2機器學習方法15
2.2.1監督學習16
2.2.2無監督學習24
2.2.3半監督學習26
2.2.4強化學習28
2.3數據的預處理方法31
習題34
第3章神經網絡35
3.1神經網絡基礎知識36
3.1.1MP模型36
3.1.2感知機38
3.1.3三層感知機41
3.2神經網絡模型53
3.2.1徑向基函數網絡54
3.2.2Hopfield神經網絡56
3.2.3Elman神經網絡56
3.2.4玻爾茲曼機57
3.2.5自動編碼器60
3.2.6生成對抗網絡62
習題64
第4章深度學習65
4.1多層感知機神經網絡66
4.2激活函數、損失函數和過擬合71
4.2.1激活函數71
4.2.2損失函數(代價函數)74
4.2.3防止過擬合78
4.3卷積神經網絡80
4.3.1卷積神經網絡原理81
4.3.2*卷積神經網絡BP算法的數學推導86
4.4循環神經網絡89
4.4.1循環神經網絡模型原理90
4.4.2*BPTT算法91
4.4.3雙向循環神經網絡95
4.4.4深度循環神經網絡96
4.4.5長短時記憶網絡96
4.4.6門控網絡98
4.5深度置信網絡99
4.5.1RBM原理99
4.5.2RBM求解算法100
4.5.3對比散度算法101
4.5.4*公式推導101
4.5.5深度置信網絡訓練105
4.6深度學習框架106
4.6.1TensorFlow107
4.6.2Caffe107
4.6.3Theano108
4.6.4Keras109
習題110
第5章Python編程基礎111
5.1Python環境搭建112
5.1.1Python安裝112
5.1.2JupyterNotebook編程器安裝使用112
5.2Python編程基礎知識117
5.2.1Python標識符117
5.2.2Python標準數據類型118
5.2.3Python語句118
5.2.4Python運算符119
5.2.5代碼組121
5.2.6Python流程控制122
5.2.7Python函數123
5.2.8Python模塊126
5.2.9Python類127
5.2.10命名空間和作用域131
5.3Python標準庫132
5.4Python機器學習庫132
5.4.1NumPy132
5.4.2Scipy140
5.4.3Pandas143
5.4.4Scikit-learn148
習題153
第6章TensorFlow編程基礎155
6.1TensorFlow的發展歷程與演進156
6.2TensorFlow的搭建配置158
6.2.1在Windows繫統環境下安裝TensorFlow158
6.2.2在MacOS繫統環境下安裝TensorFlow158
6.2.3在Linux繫統環境下安裝TensorFlow159
6.3TensorFlow編程基礎知識159
6.3.1張量159
6.3.2符號式編程160
6.3.3變量和常量161
6.3.4會話(Session)161
6.3.5占位符(placeholder)、獲取(Fetch)和饋送(Feed)162
6.3.6Variable類163
6.3.7常量、序列以及隨機值164
6.3.8執行圖(RunningGraphs)166
6.3.9操作運算167
6.3.10基本數學函數170
6.3.11矩陣數學函數171
6.3.12張量數學函數176
6.3.13張量Reduction操作176
6.3.14累加和累積179
6.3.15張量拆分操作179
6.3.16序列比較與索引182
6.3.17張量數據類型轉換183
6.3.18TensorFlow張量形狀的確定與改變184
6.4TensorFlow繫統架構及源碼結構185
6.5EagerExecution188
6.6TensorFlow示例代碼189
6.6.1簡單回歸擬合189
6.6.2波士頓房價預測191
習題193
第7章TensorFlow模型194
7.1TensorFlow模型編程模式195
7.1.1tf.nn模塊195
7.1.2tf.layers模塊207
7.1.3tf.estimator模塊210
7.1.4tf.keras模塊211
7.2讀取數據212
7.2.1載入數據212
7.2.2創建迭代器214
7.2.3使用dataset數據216
7.3TensorFlow模型搭建218
7.4TensorFlow模型訓練220
7.4.1損失函數——tf.losses模塊220
7.4.2優化器——tf.train模塊220
7.4.3訓練示例222
7.5TensorFlow評估222
7.5.1評價指標222
7.5.2評估函數——tf.metrics模塊225
7.6TensorFlow模型載入、保存及調用227
7.7可視化分析和評估模型229
7.7.1tf.summary模塊229
7.7.2TensorBoard可視化評估工具229
7.7.3TensorBoard使用案例230
7.8示例——鳶尾花分類239
習題242
第8章TensorFlow編程實踐243
8.1MNIST手寫數字識別244
8.1.1使用tf.nn模塊實現MNIST手寫數字識別245
8.1.2使用tf.estimator模塊實現MNIST手寫數字識別248
8.2FashionMNIST253
8.2.1Keras序列模型253
8.2.2FashionMNIST代碼259
8.3RNN簡筆畫識別265
習題275
第9章TensorFlowLite和TensorFlow.js276
9.1TensorFlowLite.277
9.1.1轉化訓練好的模型為.tflite文件278
9.1.2編寫自定義操作代碼279
9.1.3在TensorFlowLite的移動端進行安卓開發280
9.1.4在TensorFlowLite的移動端進行iOS開發283
9.2TensorFlow.js284
9.2.1TensorFlow.jsJavaScript庫引入284
9.2.2TensorFlow.js基礎知識285
9.2.3TensorFlow.js示例289
習題302
第10章TensorFlow案例——醫學應用303
10.1開源醫學圖像分析平臺DLTK的安裝運行304
10.2開源醫學圖像分析平臺DLTK的使用305
10.3開源醫學圖像分析平臺DLTK案例310
10.4開源醫學圖像分析平臺DLTK模型312
習題323
第11章Seq2Seqattention模型及其應用案例324
11.1Seq2Seq和attention模型325
11.2TensorFlow自動文本摘要生成327
11.2.1TextSum安裝運行328
11.2.2TextSum整體結構329
11.3聊天機器人350
11.3.1DeepQA350
11.3.2Stanford TensorFlow Chatbot356
習題356
本書介紹了深度學習原理與TensorFlow實踐。著重講述了當前學術界和工業界的深度學 知識:機器學習概論、神經網絡、深度學習。著重講述了深度學習的實現以及深度學習框架TensorFlow:Python編程基礎、TensorFlow編程基礎、TensorFlow模型、TensorFlow編程實踐、TensorFlowLite和TensorFlow.js、TensorFlow案例——醫學應用和Seq2Seq+attention模型及其應用案例。本書優選特色是既有由淺入深的理論知識,又有從入門到高深的應用編程的技術知識。本書涵蓋了深度學習的理論、Python編程語言以及TensorFlow編程知識和代碼解讀,為深度學習初學者以及進階人員提供了詳盡的必要知識。本書可用於大學本科生高年級以及研究生人工智能教材,也可作為應用領域技術人員、工程技術人員和科學研究工作者的參考資料。