Python深度学习:基于TensorFlow电子书

前言 为什么写这本书

第一部分 Python及应用数学基础

第1章 NumPy常用操作

1.1 生成ndarray的几种方式

1.2 存取元素

1.3 矩阵操作

1.4 数据合并与展平

1.5 通用函数

1.6 广播机制

1.7 小结

第2章 Theano基础

2.1 安装

2.2 符号变量

2.3 符号计算图模型

2.4 函数

2.5 条件与循环

2.6 共享变量

2.7 小结

第3章 线性代数

3.1 标量、向量、矩阵和张量

3.2 矩阵和向量运算

3.3 特殊矩阵与向量

3.4 线性相关性及向量空间

3.5 范数

3.6 特征值分解

3.7 奇异值分解

3.8 迹运算

3.9 实例：用Python实现主成分分析

3.10 小结

第4章 概率与信息论

4.1 为何要学概率、信息论

4.2 样本空间与随机变量

4.3 概率分布

4.3.1 离散型随机变量

4.3.2 连续型随机变量

4.4 边缘概率

4.5 条件概率

4.6 条件概率的链式法则

4.7 独立性及条件独立性

4.8 期望、方差及协方差

4.9 贝叶斯定理

4.10 信息论

4.11 小结

第5章 概率图模型

5.1 为何要引入概率图

5.2 使用图描述模型结构

5.3 贝叶斯网络

5.3.1 隐马尔可夫模型简介

5.3.2 隐马尔可夫模型三要素

5.3.3 隐马尔可夫模型三个基本问题

5.3.4 隐马尔可夫模型简单实例

5.4 马尔可夫网络

5.4.1 马尔可夫随机场

5.4.2 条件随机场

5.4.3 实例：用Tensorflow实现条件随机场

5.5 小结

第二部分 深度学习理论与应用

第6章 机器学习基础

6.1 监督学习

6.1.1 线性模型

6.1.2 SVM

6.1.3 贝叶斯分类器

6.1.4 集成学习

6.2 无监督学习

6.2.1 主成分分析

6.2.2 k-means聚类

6.3 梯度下降与优化

6.3.1 梯度下降简介

6.3.2 梯度下降与数据集大小

6.3.3 传统梯度优化的不足

6.3.4 动量算法

6.3.5 自适应算法

6.3.6 有约束最优化

6.4 前馈神经网络

6.4.1 神经元结构

6.4.2 感知机的局限

6.4.3 多层神经网络

6.4.4 实例：用TensorFlow实现XOR

6.4.5 反向传播算法

6.5 实例：用Keras构建深度学习架构

6.6 小结

第7章 深度学习挑战与策略

7.1 正则化

7.1.1 正则化参数

7.1.2 增加数据量

7.1.3 梯度裁剪

7.1.4 提前终止

7.1.5 共享参数

7.1.6 Dropout

7.2 预处理

7.2.1 初始化

7.2.2 归一化

7.3 批量化

7.3.1 随机梯度下降法

7.3.2 批标准化

7.4 并行化

7.4.1 TensorFlow利用GPU加速

7.4.2 深度学习并行模式

7.5 选择合适的激活函数

7.6 选择合适代价函数

7.7 选择合适的优化算法

7.8 小结

第8章 安装TensorFlow

8.1 TensorFlow CPU版的安装

8.2 TensorFlow GPU版的安装

8.3 配置Jupyter Notebook

8.4 实例：CPU与GPU性能比较

8.5 实例：单GPU与多GPU性能比较

8.6 小结

第9章 TensorFlow基础

9.1 TensorFlow系统架构

9.2 数据流图

9.3 TensorFlow基本概念

9.3.1 张量

9.3.2 算子

9.3.3 计算图

9.3.4 会话

9.3.5 常量

9.3.6 变量

9.3.7 占位符

9.3.8 实例：比较constant、variable和placeholder

9.4 TensorFlow实现数据流图

9.5 可视化数据流图

9.6 TensorFlow分布式

9.7 小结

第10章 TensorFlow图像处理

10.1 加载图像

10.2 图像格式

10.3 把图像转换为TFRecord文件

10.4 读取TFRecord文件

10.5 图像处理实例

10.6 全新的数据读取方式——Dataset API

10.6.1 Dataset API架构

10.6.2 构建Dataset

10.6.3 创建迭代器

10.6.4 从迭代器中获取数据

10.6.5 读入输入数据

10.6.6 预处理数据

10.6.7 批处理数据集元素

10.6.8 使用高级API

10.7 小结

第11章 TensorFlow神经元函数

11.1 激活函数

11.1.1 sigmoid函数

11.1.2 tanh函数

11.1.3 relu函数

11.1.4 softplus函数

11.1.5 dropout函数

11.2 代价函数

11.2.1 sigmoid_cross_entropy_with_logits函数

11.2.2 softmax_cross_entropy_with_logits函数

11.2.3 sparse_softmax_cross_entropy_with_logits函数

11.2.4 weighted_cross_entropy_with_logits函数

11.3 小结

第12章 TensorFlow自编码器

12.1 自编码简介

12.2 降噪自编码

12.3 实例：TensorFlow实现自编码

12.4 实例：用自编码预测信用卡欺诈

12.5 小结

第13章 TensorFlow实现Word2Vec

13.1 词向量及其表达

13.2 Word2Vec原理

13.2.1 CBOW模型

13.2.2 Skim-gram模型

13.3 实例：TensorFlow实现Word2Vec

13.4 小结

第14章 TensorFlow卷积神经网络

14.1 卷积神经网络简介

14.2 卷积层

14.2.1 卷积核

14.2.2 步幅

14.2.3 填充

14.2.4 多通道上的卷积

14.2.5 激活函数

14.2.6 卷积函数

14.3 池化层

14.4 归一化层

14.5 TensorFlow实现简单卷积神经网络

14.6 TensorFlow实现进阶卷积神经网络

14.7 几种经典卷积神经网络

14.8 小结

第15章 TensorFlow循环神经网络

15.1 循环神经网络简介

15.2 前向传播与随时间反向传播

15.3 梯度消失或爆炸

15.4 LSTM算法

15.5 RNN其他变种

15.6 RNN应用场景

15.7 实例：用LSTM实现分类

15.8 小结

第16章 TensorFlow高层封装

16.1 TensorFlow高层封装简介

16.2 Estimator简介

16.3 实例：使用Estimator预定义模型

16.4 实例：使用Estimator自定义模型

16.5 Keras简介

16.6 实例：Keras实现序列式模型

16.7 TFLearn简介

16.7.1 利用TFLearn解决线性回归问题

16.7.2 利用TFLearn进行深度学习

16.8 小结

第17章 情感分析

17.1 深度学习与自然语言处理

17.2 词向量简介

17.3 循环神经网络

17.4 迁移学习简介

17.5 实例：TensorFlow实现情感分析

17.5.1 导入数据

17.5.2 定义辅助函数

17.5.3 构建RNN模型

17.5.4 调优超参数

17.5.5 训练模型

17.6 小结

第18章 利用TensorFlow预测乳腺癌

18.1 数据说明

18.2 数据预处理

18.3 探索数据

18.4 构建神经网络

18.5 训练并评估模型

18.6 小结

第19章 聊天机器人

19.1 聊天机器人原理

19.2 带注意力的框架

19.3 用TensorFlow实现聊天机器人

19.3.1 接口参数说明

19.3.2 训练模型

19.4 小结

第20章 人脸识别

20.1 人脸识别简介

20.2 项目概况

20.3 实施步骤

20.3.1 数据准备

20.3.2 预处理数据

20.3.3 训练模型

20.3.4 测试模型

20.4 小结

第三部分 扩展篇

第21章 强化学习基础

21.1 强化学习简介

21.2 强化学习常用算法

21.2.1 Q-Learning算法

21.2.2 Sarsa算法

21.2.3 DQN算法

21.3 小结

第22章 生成式对抗网络

22.1 GAN简介

22.2 GAN的改进版本

22.3 小结