TensorFlow深度学习从入门到进阶

1. 案例丰富。通过88个典型小案例和4个综合大案例带你迅速掌握深度学习算法。2. 配套丰富。全部案例的源代码免费下载。

《TensorFlow深度学习从入门到进阶》以TensorFlow为主线进行讲解，书中每章节都以理论引出，以TensorFlow应用巩固结束，理论与实践相结合，让读者快速掌握TensorFlow机器学习。《TensorFlow深度学习从入门到进阶》共11章，主要包括TensorFlow与深度网络、TensorFlow编程基础、TensorFlow编程进阶、线性回归、逻辑回归、聚类分析、神经网络算法、卷积神经网络、循环神经网络、其他网络、机器学习综合实战等内容。 《TensorFlow深度学习从入门到进阶》适合TensorFlow初学者阅读，也适合研究TensorFlow的广大科研人员、学者、工程技术人员学习参考。

前言 章 TensorFlow与深度学习1.1 深度学习的由来1.2 语言与系统的支持1.3 TensorFlow的特点1.4 核心组件1.5 TensorFlow的主要依赖包 1.5.1 Protocol Buffer包 1.5.2 Bazel包1.6 搭建环境 1.6.1 安装环境 1.6.2 安装TensorFlow 1.6.3 安装测试1.7 Geany1.8 揭开深度学习的面纱 1.8.1 人工智能、机器学习与深度学习 1.8.2 深度学习的核心思想 1.8.3 深度学习的应用1.9 深度学习的优劣势第2章 TensorFlow编程基础2.1 张量 2.1.1 张量的概念 2.1.2 张量的使用 2.1.3 Numpy库 2.1.4 张量的阶 2.1.5 张量的形状 2.1.6 张量应用实例2.2 图的实现2.3 会话的实现2.4 认识变量 2.4.1 变量的创建 2.4.2 变量的初始化 2.4.3 变量的更新 2.4.4 变量的保存 2.4.5 变量的加载 2.4.6 共享变量和变量命名空间2.5 矩阵的操作 2.5.1 矩阵的生成 2.5.2 矩阵的变换2.6 TensorFlow数据读取的方式2.7 从磁盘读取信息 2.7.1 列表格式 2.7.2 读取图像数据第3章 TensorFlow编程进阶3.1 队列与线程 3.1.1 队列 3.1.2 队列管理器 3.1.3 线程协调器 3.1.4 组合使用3.2 TensorFlow嵌入Layer3.3 生成随机图片数据3.4 神经网络 3.4.1 神经元 3.4.2 简单神经结构 3.4.3 深度神经网络3.5 损失函数3.6 梯度下降 3.6.1 标准梯度法 3.6.2 批量梯度下降法 3.6.3 随机梯度下降法 3.6.4 小批量梯度下降法 3.6.5 线性模型的局限性 3.6.6 直线与曲线的拟合演示3.7 反向传播 3.7.1 求导链式法则 3.7.2 反向传播算法思路 3.7.3 反向传播算法的计算过程 3.7.4 反向传播演示回归与二分类算法3.8 随机训练与批量训练3.9 创建分类器3.10 模型评估3.11 优化函数 3.11.1 随机梯度下降优化算法 3.11.2 基于动量的优化算法 3.11.3 Adagrad优化算法 3.11.4 Adadelta优化算法 3.11.5 Adam优化算法 3.11.6 实例演示几种优化算法第4章 TensorFlow实现线性回归4.1 矩阵操作实现线性回归问题 4.1.1 逆矩阵解决线性回归问题 4.1.2 矩阵分解法实现线性回归 4.1.3 正则法对iris数据实现回归分析4.2 损失函数对iris数据实现回归分析4.3 戴明算法对iris数据实现回归分析4.4 岭回归与Lasso回归对iris数据实现回归分析4.5 弹性网络算法对iris数据实现回归分析第5章 TensorFlow实现逻辑回归5.1 什么是逻辑回归 5.1.1 逻辑回归与线性回归的关系 5.1.2 逻辑回归模型的代价函数 5.1.3 逻辑回归的预测函数 5.1.4 判定边界 5.1.5 随机梯度下降算法实现逻辑回归5.2 逆函数及其实现 5.2.1 逆函数的相关函数 5.2.2 逆函数的实现5.3 Softmax回归 5.3.1 Softmax回归简介 5.3.2 Softmax的代价函数 5.3.3 Softmax回归的求解 5.3.4 Softmax回归的参数特点 5.3.5 Softmax与逻辑回归的关系 5.3.6 多分类算法和二分类算法的选择 5.3.7 计算机视觉领域实例第6章 TensorFlow实现聚类分析6.1 支持向量机及实现 6.1.1 重新审视逻辑回归 6.1.2 形式化表示 6.1.3 函数间隔和几何间隔 6.1.4 最优间隔分类器 6.1.5 支持向量机对iris数据进行分类 6.1.6 核函数对数据点进行预测 6.1.7 非线性支持向量机创建山鸢尾花分类器 6.1.8 多类支持向量机对iris数据进行预测6.2 K-均值聚类法及实现 6.2.1 K-均值聚类相关概念 6.2.2 K-均值聚类法对iris数据进行聚类6.3 最近邻算法及实现 6.3.1 最近邻算法概述 6.3.2 最近邻算法求解文本距离 6.3.3 最近邻算法实现地址匹配第7章 神经网络算法7.1 反向网络 7.1.1 问题设置 7.1.2 反向网络算法 7.1.3 自动微分 7.1.4 对随机数进行反向网络演示7.2 激励函数及实现 7.2.1 激励函数的用途 7.2.2 几种激励函数 7.2.3 几种激励函数的绘图7.3 门函数及其实现7.4 单层神经网络对iris数据进行训练7.5 单个神经元的扩展及实现7.6 构建多层神经网络7.7 实现井字棋第8章 TensorFlow实现卷积神经网络8.1 全连接网络的局限性8.2 卷积神经网络的结构 8.2.1 卷积层 8.2.2 池化层 8.2.3 全连接层8.3 卷积神经网络的训练 8.3.1 求导的链式法则 8.3.2 卷积层反向传播8.4 卷积神经网络的实现 8.4.1 识别0和1数字 8.4.2 预测MNIST数字8.5 几种经典的卷积神经网络及实现 8.5.1 AlexNet网络及实现 8.5.2 VGGNet网络及实现 8.5.3 Inception Net网络及实现 8.5.4 RestNet