深度学习——基于Python语言和TensorFlow平台(视频讲解版)电子书

内容提要

前言

第1章 人工智能极简历史

1.1 重要的奠基时期

1.2 人工智能的诞生

1.3 第一个快速发展期

1.4 人工智能的第一个寒冬

1.5 人工智能研究的沉默探索与复苏

1.6 人工智能的第二个冬天

1.7 再一次腾飞

1.8 未来展望

1.9 本章小结：历史指引未来

第2章 开发环境准备

2.1 安装Python

2.2 安装TensorFlow

2.3 打造更舒适的开发环境

2.4 知识背景准备

第3章 初识TensorFlow

3.1 三好学生成绩问题的引入

3.2 搭建解决三好学生成绩问题的神经网络

3.3 训练神经网络

3.4 本章小结：解决的第一个问题

3.5 练习

第4章 简化神经网络模型

4.1 在程序运行中查看变量取值

4.2 张量概念的引入

4.3 用向量重新组织输入数据

4.4 简化的神经网络模型

4.5 概念补充——标量、多维数组等

4.6 在TensorFlow中查看和设定张量的形态

4.7 用softmax函数来规范可变参数

4.8 本章小结：线性问题

4.9 练习

第5章 用神经网络解决非线性问题

5.1 非线性问题的引入

5.2 设计神经网络模型

5.3 准备训练数据

5.4 完整的训练代码

5.5 进阶：批量生成随机训练数据

5.6 本章小结：非线性问题

5.7 练习

第6章 从文件中载入训练数据

6.1 用纯文本文件准备训练数据

6.2 加载文件中的训练数据

6.3 本章小结：读取训练数据最常用的方式

6.4 练习

第7章 多层全连接神经网络

7.1 身份证问题的引入

7.2 问题分析

7.3 单层网络的模型

7.4 多层全连接神经网络

7.5 身份证问题新模型的代码实现

7.6 进一步优化模型和代码

7.7 本章小结：多层、全连接、线性与非线性

7.8 练习

第8章 保存和载入训练过程

8.1 保存训练过程

8.2 载入保存的训练过程并继续训练

8.3 通过命令行参数控制是否强制重新开始训练

8.4 训练过程中手动保存

8.5 保存训练过程前征得同意

8.6 本章小结：善于利用保存和载入训练过程

8.7 练习

第9章查看图形化的模型

9.1 数据流图的概念

9.2 用TensorBoard查看数据流图

9.3 控制TensorBoard图中对象的名称

9.4 本章小结：图形化的模型

9.5 练习

第10章 用训练好的模型进行预测

10.1 从命令行参数读取需要预测的数据

10.2 从文件中读取数据进行预测

10.3 从任意字符串中读取数据进行预测

10.4 本章小结：预测与训练的区别

10.5 练习

第11章 用高级工具简化建模和训练过程

11.1 Keras框架介绍

11.2 用Keras实现神经网络模型

11.3 用Keras进行预测

11.4 保存和载入Keras模型

11.5 本章小结：方便与灵活度的取舍

11.6 练习

第12章 在其他语言中调用TensorFlow模型

12.1 如何保存模型

12.2 在Java语言中载入TensorFlow模型并进行预测计算

12.3 在Go语言中载入TensorFlow模型并进行预测计算

12.4 本章小结：仅能预测

第13章 用卷积神经网络进行图像识别

13.1 情凭谁来定错对——一首歌引出的对错问题

13.2 卷积神经网络介绍

13.3 用卷积网络实现图像识别

13.4 本章小结：进一步优化的方向

13.5 练习

第14章 循环神经网络初探

14.1 循环神经网络简介

14.2 长短期记忆模型LSTM的作用

14.3 汇率预测问题的引入

14.4 用于汇率预测的LSTM神经网络模型

14.5 实现汇率预测LSTM网络的代码

14.6 用循环神经网络来进行自然语言处理

14.7 本章小结：时序有关问题

14.8 练习

第15章 优化器的选择与设置

15.1 优化器的作用

15.2 梯度下降算法

15.3 学习率的影响

15.4 主流优化方法介绍

15.5 优化器效率对比

15.6 本章小结：渡河之筏

第16章 下一步学习方向指南

16.1 更多的激活函数

16.2 更多的隐藏层类型

16.3 确定最适合的神经网络类型

16.4 GPU版本

16.5 有监督学习与无监督学习

16.6 深度学习进阶

16.7 升级到最新的TensorFlow版本

16.8 本章小结：最后的实例