TensorFlow进阶指南 基础 算法与应用PDF电子书下载

第1章 人工智能与深度学习 1

1.1人工智能与机器学习 1

1.2无处不在的深度学习 6

1.3如何入门深度学习 7

1.4主流深度学习框架介绍 13

第2章 搭建TensorFlow环境 15

2.1基于PiP安装 15

2.1.1基于Windows环境安装TensorFlow 15

2.1.2基于Linux环境安装TensorFlow 22

2.2基于Java安装TensorFlow 24

2.3安装TensorFlow的常用依赖模块 27

2.4Hello TensorFlow 30

2.4.1MNIST数据集 30

2.4.2编写训练程序 32

2.5小结 35

第3章 TensorFlow基础 36

3.1TensorFlow的系统架构 36

3.1.1Client 37

3.1.2Distributed Master 38

3.1.3Worker Service 39

3.1.4Kernel Implements 39

3.2TensorFlow的数据结构——张量 39

3.2.1什么是张量 39

3.2.2张量的阶 40

3.2.3张量的形状 40

3.2.4数据类型 41

3.3TensorFlow的计算模型——图 42

3.3.1计算图基础 42

3.3.2计算图的组成 43

3.3.3计算图的使用 45

3.3.4小结 48

3.4TensorFlow中的会话——Session 48

第4章 TensorFlow中常用的激活函数与神经网络 50

4.1激活函数的概念 50

4.2常用的激活函数 51

4.2.1Sigmoid函数 51

4.2.2Tanh函数 53

4.2.3ReLU函数 55

4.2.4Softplus函数 57

4.2.5Softmax函数 58

4.2.6小结 59

4.3损失函数的概念 60

4.4损失函数的分类 63

4.5常用的损失函数 65

4.5.1 0-1损失函数 65

4.5.2Log损失函数 66

4.5.3Hinge损失函数 69

4.5.4指数损失 70

4.5.5感知机损失 70

4.5.6平方（均方）损失函数 71

4.5.7绝对值损失函数 71

4.5.8自定义损失函数 71

4.6正则项 72

4.6.1L0范数和L1范数 72

4.6.2L2范数 73

4.6.3核范数 74

4.7规则化参数 76

4.8易混淆的概念 76

4.9神经网络的优化方法 77

4.9.1梯度下降算法 77

4.9.2随机梯度下降算法 79

4.9.3其他的优化算法 80

4.9.4小结 84

4.10生成式对抗网络（GAN） 84

4.10.1CGAN 96

4.10.2DCGAN 97

4.10.3WGAN 98

4.10.4LSGAN 99

4.10.5BEGAN 100

第5章 卷积神经网络 102

5.1神经网络简介 102

5.1.1神经元与神经网络 102

5.1.2感知器（单层神经网络）与多层感知器 104

5.2图像识别问题 108

5.3常用的图像库介绍 111

5.4卷积神经网络简介 114

5.4.1CNN的基本原理与卷积核 115

5.4.2池化 116

5.4.3再探ReLU 118

5.5CNN模型 119

5.5.1LeNet-5模型 119

5.5.2AlexNet模型 123

5.5.3Inception模型 130

5.6用CNN实现MNIST训练 147

第6章 循环神经网络 151

6.1初识循环神经网络 151

6.1.1前馈神经网络 152

6.1.2神经网络中的时序信息 158

6.2详解循环神经网络 159

6.3RNN的变种——双向RNN 162

6.4One-Hot Encoding 165

6.5词向量和word2vec 166

6.5.1CBOW模型 167

6.5.2Skip-Gram模型 168

6.6梯度消失问题和梯度爆炸问题 169

6.6.1梯度下降 170

6.6.2解决梯度消失和梯度爆炸问题的方法 172

6.7RNN的变种——LSTM 179

6.8写诗机器人 189

第7章 TensorFlow的可视化 196

7.1TensorBoard简介 196

7.2生成和使用TensorBoard 200

7.3TensorBoard的面板展示 208

7.4小结 223

第8章 TensorFlow中的数据操作 224

8.1制作TFRecords数据集 224

8.2Dataset API介绍 230

8.3TensorFlow中的队列 233

第9章 支持向量机（SVM） 240

9.1什么是支持向量机 240

9.2计算最优超平面 242

9.3TensorFlow实现线性SVM 243

9.4非线性SVM介绍 247

9.5使用TensorFlow实现非线性SVM分类器 250

第10章 TensorFlow结合Flask发布MNIST模型 258

10.1Flask框架介绍 258

10.2训练MNIST模型 259

10.3小结 275

第11章 TensorFlow模型的发布与部署 276

11.1TensorFlow Serving的前导知识 276

11.2TensorFlow Serving模型打包 280

11.3TensorFlow Serving模型的部署和调用 284

第12章 TensorFlow Lite牛刀小试 285

12.1什么是TensorFlow Lite 285

12.2如何使用TensorFlow Lite模型 287

12.3TensorFlow Lite与Android结合实现图像识别 290

第13章 TensorFlow GPU 296

13.1什么是GPU 296

13.2GPU的选择 297

13.3搭建TensorFlow GPU 299

13.3.1在Windows上搭建TensorFlow GPU 299

13.3.2在Linux上搭建TensorFlow GPU 307

13.4使用TensorFlow GPU进行训练 311

第14章 TensorFlow与目标检测 317

14.1传统目标检测方法 317

14.2RCNN介绍 319

14.3Fast-RCNN 321

14.4Faster-RCNN 325

14.5YOLO 328

附录A TensorFlow历代版本更新内容 354

A.1TensorFlow1.3版本更新内容 354

A.2TensorFlow1.4版本更新内容 355

A.3TensorFlow1.5版本更新内容 356

A.4TensorFlow1.6版本更新内容 356

A.5TensorFlow1.7版本更新内容 357

A.6TensorFlow1.8版本更新内容 357

A.7TensorFlow1.9版本更新内容 358