TensorFlow深度學習算法原理與編程實戰(zhàn)

第一部分探索深度學習之方式的開始
第1章開篇
1.1人工智能的發(fā)展
1.1.1萌芽
1.1.2復蘇
1.1.3現代實踐：大數據+深度神經網絡模型
1.2大數據
1.3機器學習與深度學習
1.3.1機器學習
1.3.2深度學習
1.3.3同人工智能的關系
1.4人工神經網絡與TensorFlow
1.4.1人工神經網絡
1.4.2TensorFlow
1.5其他主流深度學習框架介紹
1.5.1Caffe
1.5.2Torch
1.5.3Theano
1.5.4MXNet
1.5.5Keras
1.6機器學習的常見任務
1.6.1分類
1.6.2回歸
1.6.3去噪
1.6.4轉錄
1.6.5機器翻譯
1.6.6異常檢測
1.6.7結構化輸出
1.7深度學習的現代應用
1.7.1計算機視覺
1.7.2自然語言處理
1.7.3語音識別
第2章安裝TensorFlow
2.1安裝前的須知
2.1.1檢查硬件是否達標
2.1.2推薦選用GPU進行訓練
2.1.3為什么選擇Linux系統(tǒng)
2.1.4為什么選擇Python語言
2.2安裝Anaconda
2.3TensorFlow的兩個主要依賴包
2.3.1Protocol Buffer
2.3.2Bazel
2.4安裝CUDA和cuDNN
2.4.1CUDA
2.4.2cuDNN
2.5正式安裝TensorFlow
2.5.1使用pip安裝
2.5.2從源代碼編譯并安裝
2.6測試你的TensorFlow
2.6.1運行向量相加的例子
2.6.2加載過程存在的一些問題
2.7推薦使用IDE
第3章TensorFlow編程策略
3.1初識計算圖與張量
3.2計算圖——TensorFlow的計算模型
3.3張量——TensorFlow的數據模型
3.3.1概念
3.3.2使用張量
3.4會話——TensorFlow的運行模型
3.4.1TensorFlow系統(tǒng)結構概述
3.4.2簡單使用會話
3.4.3使用with/as環(huán)境上下文管理器
3.4.4Session的參數配置
3.4.5placeholder機制
3.5TensorFlow變量
3.5.1創(chuàng)建變量
3.5.2變量與張量
3.6管理變量的變量空間
3.6.1get_variable()函數
3.6.2variable_scope()與name_scope()
第二部分TensorFlow實現深度網絡
第4章深度前饋神經網絡
4.1網絡的前饋方式
4.2全連接
4.2.1神經元與全連接結構
4.2.2前向傳播算法
4.3線性模型的局限性
4.4激活函數
4.4.1常用激活函數
4.4.2激活函數實現去線性化
4.5多層網絡解決異或運算
4.6損失函數
4.6.1經典損失函數
4.6.2自定義損失函數
第5章優(yōu)化網絡的方法
5.1基于梯度的優(yōu)化
5.1.1梯度下降算法
5.1.2隨機梯度下降
5.2反向傳播
5.2.1簡要解釋反向傳播算法
5.2.2自適應學習率算法
5.2.3TensorFlow提供的優(yōu)化器
5.3學習率的獨立設置
5.3.1指數衰減的學習率
5.3.2其他優(yōu)化學習率的方法
5.4擬合
5.4.1過擬合和欠擬合
5.4.2正則化的方法
5.4.3Bagging方法
5.4.4Dropout方法
第6章全連神經網絡的經典實踐
6.1MNIST數據集
6.2網絡的設計
6.3超參數和驗證集
6.4與簡單模型的對比
第7章卷積神經網絡
7.1準備性的認識
7.1.1圖像識別與經典數據集
7.1.2卷積網絡的神經科學基礎
7.1.3卷積神經網絡的歷史
7.2卷積
7.2.1卷積運算
7.2.2卷積運算的稀疏連接
7.2.3卷積運算的參數共享
7.2.4卷積運算的平移等變
7.2.5多卷積核
7.2.6卷積層的代碼實現
7.3池化
7.3.1池化過程
7.3.2常用池化函數
7.3.3池化層的代碼實現
7.4實現卷積神經網絡的簡例
7.4.1卷積神經網絡的一般框架
7.4.2用簡單卷積神經網絡實現Cifar-10數據集分類
7.5圖像數據處理
7.5.1圖像編解碼處理
7.5.2翻轉圖像
7.5.3圖像色彩調整
7.5.4圖像標準化處理
7.5.5調整圖像大小
7.5.6圖像的標注框
第8章經典卷積神經網絡
8.1LeNet-5卷積網絡模型
8.1.1模型結構
8.1.2TensorFlow實現
8.2AlexNet卷積網絡模型
8.2.1模型結構
8.2.2TensorFlow實現
8.3VGGNet卷積網絡模型
8.3.1模型結構
8.3.2TensorFlow實現
8.4InceptionNet-V3卷積網絡模型
8.4.1模型結構
8.4.2Inception V3 Module的實現
8.4.3使用Inception V3完成模型遷移
8.5ResNet卷積網絡模型
8.5.1模型結構
8.5.2TensorFlow實現
第9章循環(huán)神經網絡
9.1循環(huán)神經網絡簡介
9.1.1循環(huán)神經網絡的前向傳播程序設計
9.1.2計算循環(huán)神經網絡的梯度
9.1.3循環(huán)神經網絡的不同設計模式
9.2自然語言建模與詞向量
9.2.1統(tǒng)計學語言模型
9.2.2Word2Vec
9.2.3用TensorFlow實現Word2Vec
9.3LSTM實現自然語言建模
9.3.1長短時記憶網絡（LSTM）
9.3.2LSTM在自然語言建模中的應用
9.3.3循環(huán)神經網絡的Dropout
9.4循環(huán)神經網絡的變種
9.4.1雙向循環(huán)神經網絡
9.4.2深層循環(huán)神經網絡
第10章深度強化學習
10.1理解基本概念
10.2深度強化學習的思路
10.3典型應用場景舉例
10.3.1場景1：機械臂自控
10.3.2場景2：自動游戲系統(tǒng)
10.3.3場景3：自動駕駛
10.3.4場景4：智能圍棋系統(tǒng)
10.4Q學習與深度Q網絡
10.4.1Q學習與深度Q學習
10.4.2深度Q網絡
第三部分TensorFlow的使用進階
第11章數據讀取
11.1文件格式
11.1.1TFRecord格式
11.1.2CSV格式
11.2隊列
11.2.1數據隊列
11.2.2文件隊列
11.3使用多線程處理輸入的數據
11.3.1使用Coordinator類管理線程
11.3.2使用QueueRunner創(chuàng)建線程
11.4組織數據batch
第12章模型持久化
12.1通過代碼實現
12.2模型持久化的原理
12.2.1model.ckpt.mate文件
12.2.2從.index與.data文件讀取變量的值
12.3持久化的MNIST手寫字識別
12.4PB文件
第13章TensorBoard可視化
13.1TensorBoard簡要介紹
13.2MNIST手寫字識別的可視化
13.2.1實現的過程
13.2.2標量數據可視化結果
13.2.3圖像數據可視化結果
13.2.4計算圖可視化結果
13.3其他監(jiān)控指標可視化
第14章加速計算
14.1TensorFlow支持的設備
14.2TensorFlow單機實現
14.2.1查看執(zhí)行運算的設備
14.2.2device()函數的使用
14.3并行訓練的原理
14.3.1數據并行
14.3.2模型并行
14.4單機多GPU加速TensorFlow程序
14.4.1實現的過程
14.4.2多GPU并行的可視化
14.5分布式TensorFlow概述