（1）作者經驗豐富：核心作者在大數據和人工智能領域有著超過20年的工作經驗，實戰經驗非常豐富，其他幾位作者也在大數據和人工智能領域頗有造詣。（2）暢銷書全面升級：第1版銷量和口碑俱佳，是深度學習領域的暢銷書，第2版根據TensorFlow新版本升級，技術性、實戰性、針對性、易讀性進一步提升。（3）TensorFlow領域事實標準：因為內容扎實、可讀性強，第1版被讀者譽為TensorFlow領域的標準著作，是讀者的shou選。（4）深度學習雙子星：本書是《Python深度學習：基於PyTor等

●第2版前言
第1版前言
第一部分TensorFlow基礎
第1章NumPy基礎2
1.1把圖像數字化3
1.1.1數組屬性4
1.1.2從已有數據中生成數組4
1.1.3利用random模塊生成數組5
1.1.4利用arange、linspace函數生成數組7
1.素8
1.3NumPy的算術運算9
1.3.素相乘10
1.3.2點積運算11
1.4數據變形12
1.4.1更改數組的形狀12
1.4.2合並數組15
1.5通用函數18
1.6廣播機制20
1.7用NumPy實現回歸實例21
1.8小結24
第2章TensorFlow基礎知識25
2.1安裝配置25
2.1.1安裝Anaconda26
2.1.2安裝TensorFlowCPU版26
2.1.3安裝TensorFlowGPU版27
2.2層次架構29
2.3張量30
2.3.1張量的基本屬性30
2.3.2張量切片31
2.3.3操作形狀32
2.4變量33
2.5NumPy與tf.Tensor比較35
2.6計算圖36
2.6.1靜態計算圖36
2.6.2動態計算圖37
2.7自動圖38
2.8自動微分39
2.9損失函數42
2.10優化器43
2.11使用TensorFlow2.0實現回歸實例43
2.12GPU加速48
2.13小結50
第3章TensorFlow構建模型的方法51
3.1利用低階API構建模型51
3.1.1項目背景51
3.1.2導入數據52
3.1.3預處理數據53
3.1.4構建模型55
3.1.5訓練模型56
3.1.6測試模型57
3.1.7保存恢復模型57
3.2利用中階API構建模型58
3.2.1構建模型58
3.2.2創建損失評估函數59
3.2.3訓練模型59
3.3利用高階API構建模型61
3.3.1構建模型61
3.3.2編譯及訓練模型63
3.3.3測試模型64
3.3.4保存恢復模型64
3.4小結65
第4章TensorFlow數據處理66
4.1tf.data簡介66
4.2構建數據集的常用方法67
4.2.1從內存中讀取數據68
4.2.2從文本中讀取數據68
4.2.3讀取TFRecord格式文件70
4.3如何生成自己的TFRecord格式數據70
4.3.1把數據轉換為TFRecord格式的一般步驟70
4.3.2加載TFRecord文件流程72
4.3.3代碼實現72
4.4數據增強方法75
4.4.1常用的數據增強方法75
4.4.2創建數據處理流水線77
4.5小結78
第5章可視化79
5.1matplotlib79
5.1.1matplotlib的基本概念79
5.1.2使用matplotlib繪制圖表81
5.1.3使用rcParams83
5.2pyecharts85
5.2.1pyecharts的安裝85
5.2.2使用pyecharts繪制圖表86
5.3TensorBoard89
5.4小結92
第二部分深度學習基礎
第6章機器學習基礎94
6.1機器學習的一般流程94
6.1.1明確目標94
6.1.2收集數據95
6.1.3數據探索與預處理95
6.1.4模型選擇96
6.1.5模型評估96
6.2監督學習98
6.2.1線性回歸98
6.2.2邏輯回歸100
6.2.3樹回歸102
6.2.4支持向量機102
6.2.5樸素貝葉斯分類器105
6.2.6集成學習107
6.3無監督學習110
6.3.1主成分分析110
6.3.2k均值算法110
6.4數據預處理111
6.4.1處理缺失值111
6.4.2處理分類數據112
6.5機器學習實例113
6.6小結119
第7章神經網絡基礎120
7.1單層神經網絡121
7.2多層神經網絡122
7.2.1多層神經網絡的結構122
7.2.2各層之間的信息傳輸123
7.2.3使用多層神經網絡解決XOR問題123
7.2.4使用TensorFlow解決XOR問題125
7.3激活函數126
7.3.1sigmoid函數127
7.3.2softmax函數127
7.3.3tanh函數128
7.3.4ReLU函數129
7.3.5Leaky-ReLU函數129
7.3.6softplus函數130
7.3.7Dropout函數130
7.4正向和反向傳播算法130
7.4.1單的BP算法131
7.4.2多層神經網絡的BP算法132
7.5解決過擬合問題135
7.5.1權重正則化135
7.5.2Dropout正則化136
7.5.3批量正則化138
7.5.4權重初始化139
7.5.5殘差網絡140
7.6選擇優化算法141
7.6.1傳統梯度更新算法141
7.6.2動量算法142
7.6.3NAG算法144
7.6.4AdaGrad算法145
7.6.5RMSProp算法146
7.6.6Adam算法146
7.6.7如何選擇優化算法147
7.7使用tf.keras構建神經網絡148
7.7.1tf.keras概述148
7.7.2tf.keras的常用模塊148
7.7.3構建模型的幾種方法149
7.7.4使用SequentialAPI構建神經網絡實例150
7.7.5使用FunctionalAPI構建神經網絡實例156
7.7.6使用SubclassingAPI構建神經網絡實例157
7.8小結158
第8章視覺處理基礎159
8.1從全連接層到卷積層159
8.1.1圖像的兩個特性160
8.1.2卷積神經網絡概述161
8.2卷積層162
8.2.1卷積核163
8.2.2步幅165
8.2.3填充166
8.2.4多通道上的卷積166
8.2.5激活函數168
8.2.6卷積函數168
8.2.7轉置卷積169
8.2.8特征圖與感受野171
8.2.9全卷積網絡171
8.3池化層172
8.3.1局部池化173
8.3.2全局池化174
8.4現代經典網絡175
……

《Python深度學習:基於TensorFlow》由吳茂貴等著

吳茂貴 等 著