深度学习之TensorFlow：入门、原理与进阶实战

李金洪

扉页
版权信息
配套学习资源
前言
第1篇深度学习与TensorFlow基础
第1章快速了解人工智能与TensorFlow
1.1 什么是深度学习
1.2 TensorFlow是做什么的
1.3 TensorFlow的特点
1.4 其他深度学习框架特点及介绍
1.5 如何通过本书学好深度学习
第2章搭建开发环境
2.1 下载及安装Anaconda开发工具
2.2 在Windows平台下载及安装TensorFlow
2.3 GPU版本的安装方法
2.4 熟悉Anaconda 3开发工具
第3章 TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例
3.1 实例1：从一组看似混乱的数据中找出y≈2x的规律
3.2 模型是如何训练出来的
3.3 了解TensorFlow开发的基本步骤
第4章 TensorFlow编程基础
4.1 编程模型
4.2 TensorFlow基础类型定义及操作函数介绍
4.3 共享变量
4.4 实例19：图的基本操作
4.5 配置分布式TensorFlow
4.6 动态图（Eager）
4.7 数据集（tf.data）
第5章识别图中模糊的手写数字（实例21）
5.1 导入图片数据集
5.2 分析图片的特点，定义变量
5.3 构建模型
5.4 训练模型并输出中间状态参数
5.5 测试模型
5.6 保存模型
5.7 读取模型
第2篇深度学习基础——神经网络
第6章单个神经元
6.1 神经元的拟合原理
6.2 激活函数——加入非线性因素，解决线性模型缺陷
6.3 softmax算法——处理分类问题
6.4 损失函数——用真实值与预测值的距离来指导模型的收敛方向
6.5 softmax算法与损失函数的综合应用
6.6 梯度下降——让模型逼近最小偏差
6.7 初始化学习参数
6.8 单个神经元的扩展——Maxout网络
6.9 练习题
第7章多层神经网络——解决非线性问题
7.1 线性问题与非线性问题
7.2 使用隐藏层解决非线性问题
7.3 实例31：利用全连接网络将图片进行分类
7.4 全连接网络训练中的优化技巧
7.5 练习题
第8章卷积神经网络——解决参数太多问题
8.1 全连接网络的局限性
8.2 理解卷积神经网络
8.3 网络结构
8.4 卷积神经网络的相关函数
8.5 使用卷积神经网络对图片分类
8.6 反卷积神经网络
8.7 实例50：用反卷积技术复原卷积网络各层图像
8.8 善用函数封装库
8.9 深度学习的模型训练技巧
第9章循环神经网络——具有记忆功能的网络
9.1 了解RNN的工作原理
9.2 简单RNN
9.3 循环神经网络（RNN）的改进
9.4 TensorFlow实战RNN
9.5 实例68：利用BiRNN实现语音识别
9.6 实例69：利用RNN训练语言模型
9.7 语言模型的系统学习
9.8 处理Seq2Seq任务
9.9 实例75：制作一个简单的聊天机器人
9.10 时间序列的高级接口TFTS
第10章自编码网络——能够自学习样本特征的网络
10.1 自编码网络介绍及应用
10.2 最简单的自编码网络
10.3 自编码网络的代码实现
10.4 去噪自编码
10.5 去噪自编码网络的代码实现
10.6 栈式自编码
10.7 深度学习中自编码的常用方法
10.8 去噪自编码与栈式自编码的综合实现
10.9 变分自编码
10.10 条件变分自编码
第3篇深度学习进阶
第11章深度神经网络
11.1 深度神经网络介绍
11.2 GoogLeNet模型介绍
11.3 残差网络（ResNet）
11.4 Inception-ResNet-v2结构
11.5 TensorFlow中的图片分类模型库——slim
11.6 使用slim中的深度网络模型进行图像的识别与检测
11.7 实物检测模型库——Object Detection API
11.8 实物检测领域的相关模型
11.9 机器自己设计的模型（NASNet）
第12章对抗神经网络（GAN）
12.1 GAN的理论知识
12.2 DCGAN——基于深度卷积的GAN
12.3 InfoGAN和ACGAN：指定类别生成模拟样本的GAN
12.4 AEGAN：基于自编码器的GAN
12.5 WGAN-GP：更容易训练的GAN
12.6 LSGAN（最小乘二GAN）：具有WGAN同样效果的GAN
12.7 GAN-cls：具有匹配感知的判别器
12.8 SRGAN——适用于超分辨率重建的GAN
12.9 GAN网络的高级接口TFGAN
12.10 总结
推荐阅读

简介

版权

深度学习之TensorFlow：入门、原理与进阶实战