人工智能原理與實踐：基于Python語言和TensorFlow

基　礎　篇
第1章　緒論　1
1．1　人工智能簡介　1
1．1．1　人工智能的概念　1
1．1．2　現(xiàn)代人工智能的興起　5
1．1．3　人工智能的學術(shù)流派　5
1．2　人工智能的發(fā)展歷史　8
1．2．1　孕育期（1956年之前）　8
1．2．2　形成期（1956～1969年）　9
1．2．3　發(fā)展期（1970年之后）　11
1．3　人工智能技術(shù)的研究內(nèi)容與應用領域　13
1．3．1　神經(jīng)網(wǎng)絡　14
1．3．2　機器學習　15
1．3．3　模式識別　15
1．3．4　自然語言理解　16
1．3．5　專家系統(tǒng)　17
1．3．6　博弈　17
1．3．7　智能控制　18
1．3．8　其他　18
1．4　人工智能與TensorFlow　18
1．4．1　機器學習與深度學習　18
1．4．2　TensorFlow概念　20
1．4．3　TensorFlow的應用　23
第2章　Python基礎應用　25
2．1　引言　25
2．2　Python的安裝　25
2．3　數(shù)據(jù)類型與數(shù)據(jù)結(jié)構(gòu)　29
2．4　數(shù)字　29
2．5　變量及其命名規(guī)則　29
2．6　語句和表達式　30
2．7　字符串　31
2．8　容器　32
2．8．1　列表　32
2．8．2　元組　35
2．8．3　字典　35
2．8．4　復制　36
2．9　函數(shù)　38
2．9．1　常用內(nèi)置函數(shù)及高階函數(shù)　38
2．9．2　用戶自定義函數(shù)　42
2．10　常用庫　43
2．10．1　時間庫　43
2．10．2　科學計算庫（NumPy）　47
2．10．3　可視化繪圖庫（Matplotlib）　54
2．10．4　鎖與線程　58
2．10．5　多線程編程　59
第3章　TensorFlow基礎　62
3．1　TensorFlow的架構(gòu)　62
3．2　TensorFlow的開發(fā)環(huán)境搭建　66
3．3　數(shù)據(jù)流圖簡介　77
3．3．1　數(shù)據(jù)流圖基礎　77
3．3．2　節(jié)點的依賴關(guān)系　80
3．4　TensorFlow中定義數(shù)據(jù)流圖　83
3．4．1　構(gòu)建一個TensorFlow數(shù)據(jù)流圖　83
3．4．2　張量思維　87
3．4．3　張量的形狀　90
3．4．4　TensorFlow的Op　91
3．4．5　TensorFlow的Graph對象　93
3．4．6　TensorFlow的Session　94
3．4．7　輸入與占位符　97
3．4．8　Variable對象　98
3．5　通過名稱作用域組織數(shù)據(jù)流圖　100
3．6　構(gòu)建數(shù)據(jù)流圖　105
3．7　運行數(shù)據(jù)流圖　108
第4章　TensorFlow運作方式　114
4．1　數(shù)據(jù)的準備和下載　114
4．2　圖表構(gòu)建與推理　115
4．2．1　圖表構(gòu)建　115
4．2．2　推理　116
4．3　損失與訓練　117
4．3．1　損失　117
4．3．2　訓練　117
4．4　狀態(tài)檢查與可視化　118
4．4．1　狀態(tài)檢查　118
4．4．2　狀態(tài)可視化　119
4．5　評估模型　120
4．6　評估圖表的構(gòu)建與輸出　123
4．6．1　評估圖表的構(gòu)建　123
4．6．2　評估圖表的輸出　123
實　戰(zhàn) 篇
第5章　MNIST機器學習　125
5．1　MNIST數(shù)據(jù)集簡介　125
5．2　MNIST數(shù)據(jù)下載　127
5．2．1　數(shù)據(jù)的準備　129
5．2．2　數(shù)據(jù)重構(gòu)　130
5．2．3　數(shù)據(jù)集對象　130
5．3　softmax回歸模型簡介　131
5．4　模型的訓練與評估　132
5．5　TensorFlow模型基本步驟　135
5．6　構(gòu)建softmax回歸模型　135
第6章　卷積神經(jīng)網(wǎng)絡　138
6．1　卷積神經(jīng)網(wǎng)絡　138
6．2　卷積神經(jīng)網(wǎng)絡的模型架構(gòu)　142
6．2．1　ImageNet-2010網(wǎng)絡結(jié)構(gòu)　142
6．2．2　DeepID網(wǎng)絡結(jié)構(gòu)　143
6．3　卷積運算　144
6．3．1　輸入和卷積核　145
6．3．2　降維　145
6．3．3　填充　145
6．3．4　數(shù)據(jù)格式　145
6．4　卷積常見層　146
6．4．1　卷積層　146
6．4．2　池化層　149
6．4．3　歸一化　150
6．4．4　高級層　151
6．5　TensorFlow和圖像　152
6．5．1　圖像加載　152
6．5．2　圖像格式　152
6．5．3　圖像操作　152
6．5．4　顏色空間變換　153
6．6　模型訓練　153
6．7　模型評估　154
6．8　多GPU的模型訓練　154
第7章　字詞的向量表示　155
7．1　WordEmbedding的基本概念和知識　156
7．2　Skip-Gram模型　158
7．2．1　數(shù)據(jù)集的準備　160
7．2．2　模型結(jié)構(gòu)　161
7．2．3　處理噪聲對比　162
7．2．4　模型訓練　163
7．3　嵌套學習可視化與評估　164
7．4　優(yōu)化實現(xiàn)　166
第8章　遞歸神經(jīng)網(wǎng)絡　168
8．1　遞歸神經(jīng)網(wǎng)絡的架構(gòu)　169
8．2　PTB數(shù)據(jù)　170
8．3　模型及LSTM　170
8．3．1　LSTM的概念　172
8．3．2　LSTM的結(jié)構(gòu)　173
8．3．3　LSTM的控制門　173
8．4　反向傳播的截斷　175
8．5　輸入與損失函數(shù)　175
8．6　多個LSTM層堆疊　175
8．7　代碼的編譯與運行　176
第9章　Mandelbrot集合　177
9．1　庫的導入　178
9．2　會話和變量初始化　179
9．3　定義并運行計算　179
第10章　偏微分方程模擬仿真　180
10．1　計算函數(shù)的定義　180
10．2　偏微分方程的定義　182
10．3　仿真　183
第11章　人臉識別　185
11．1　人臉識別概念　185
11．2　人臉識別的流程　188
11．2．1　人臉圖像的采集　188
11．2．2　人臉圖像的檢測　189
11．2．3　人臉圖像的預處理　189
11．2．4　人臉圖像的特征提取　189
11．2．5　人臉圖像的匹配與識別　190
11．2．6　活體鑒別　190
11．3　人臉識別種類　190
11．3．1　人臉檢測　190
11．3．2　人臉關(guān)鍵點檢測　191
11．3．3　人臉驗證　194
11．4　人臉檢測　194
11．4．1　LFW數(shù)據(jù)集　194
11．4．2　數(shù)據(jù)預處理與檢測　195
11．5　性別和年齡識別　196
11．5．1　數(shù)據(jù)預處理　198
11．5．2　模型構(gòu)建　198
11．5．3　模型訓練　203
11．5．4　模型驗證　204