TensorFlow深度学习应用实践PDF电子书下载

第1章 星星之火 1

1.1计算机视觉与深度学习 1

1.1.1人类视觉神经的启迪 2

1.1.2计算机视觉的难点与人工神经网络 3

1.1.3应用深度学习解决计算机视觉问题 4

1.2计算机视觉学习的基础与研究方向 5

1.2.1学习计算机视觉结构图 5

1.2.2计算机视觉的学习方式和未来趋势 6

1.3本章小结 7

第2章Python的安装与使用 8

2.1 Python基本安装和用法 8

2.1.1 Anaconda的下载与安装 9

2.1.2 Python编译器PyCharm的安装 12

2.1.3使用Python计算softmax函数 16

2.2 Python常用类库中的threading 17

2.2.1 threading库的使用 18

2.2.2 threading模块中最重要的Thread类 18

2.2.3 threading中的Lock类 19

2.2.4 threading中的join类 20

2.3本章小结 21

第3章 深度学习的理论基础——机器学习 22

3.1机器学习基本分类 22

3.1.1基于学科的分类 22

3.1.2基于学习模式的分类 23

3.1.3基于应用领域的分类 23

3.2机器学习基本算法 24

3.2.1机器学习的算法流程 24

3.2.2基本算法的分类 25

3.3算法的理论基础 26

3.3.1小学生的故事——求圆的面积 27

3.3.2机器学习基础理论——函数逼近 27

3.4回归算法 29

3.4.1函数逼近经典算法——线性回归 29

3.4.2线性回归的姐妹——逻辑回归 31

3.5机器学习的其他算法——决策树 32

3.5.1水晶球的秘密 32

3.5.2决策树的算法基础——信息熵 33

3.5.3决策树的算法基础——ID3算法 34

3.6本章小结 35

第4章Python类库的使用——数据处理及可视化展示 37

4.1从小例子起步——NumPy的初步使用 37

4.1.1数据的矩阵化 37

4.1.2数据分析 39

4.1.3基于统计分析的数据处理 40

4.2图形化数据处理——Matplotlib包使用 41

4.2.1差异的可视化 41

4.2.2坐标图的展示 42

4.2.3玩个大的 44

4.3深度学习理论方法——相似度计算 46

4.3.1基于欧几里得距离的相似度计算 46

4.3.2基于余弦角度的相似度计算 47

4.3.3欧几里得相似度与余弦相似度的比较 48

4.4数据的统计学可视化展示 49

4.4.1数据的四分位 49

4.4.2数据的四分位示例 50

4.4.3数据的标准化 53

4.4.4数据的平行化处理 55

4.4.5热点图——属性相关性检测 57

4.5 Python实战——某地降水的关系处理 58

4.5.1不同年份的相同月份统计 58

4.5.2不同月份之间的增减程度比较 59

4.5.3每月降水不相关吗 60

4.6本章小结 61

第5章OpenCV的基础使用 62

5.1 OpenCV基本的图片读取 62

5.1.1基本的图片存储格式 62

5.1.2图像的读取与存储 64

5.1.3图像的转换 65

5.1.4使用NumPy模块对图像进行编辑 66

5.2 OpenCV的卷积核处理 68

5.2.1计算机视觉的三种不同色彩空间 68

5.2.2卷积核与图像特征提取 68

5.2.3卷积核进阶 70

5.3本章小结 72

第6章OpenCV与TensorFlow的融合 73

6.1图片的自由缩放以及边缘裁剪 73

6.1.1图像的扩缩裁挖 73

6.1.2图像色调的调整 74

6.1.3图像的旋转、平移和翻转 76

6.2使用OpenCV扩大图像数据库 77

6.2.1图像的随机裁剪 77

6.2.2图像的随机旋转变换 78

6.2.3图像色彩的随机变换 79

6.2.4对鼠标的监控 80

6.3本章小结 81

第7章Let’s play TensorFlow 82

7.1 TensorFlow游乐场 82

7.1.1 I want to play a game 82

7.1.2 TensorFlow游乐场背后的故事 86

7.1.3如何训练神经网络 88

7.2初识Hello TensorFlow 89

7.2.1 TensorFlow名称的解释 89

7.2.2 TensorFlow基本概念 89

7.2.3 TensorFlow基本架构 92

7.3本章小结 93

第8章Hello TensorFlow，从0到1 94

8.1 TensorFlow的安装 94

8.2 TensorFlow常量、变量和数据类型 96

8.3 TensorFlow矩阵计算 100

8.4 Hello TensorFlow 102

8.5本章小结 107

第9章TensorFlow重要算法基础 108

9.1 BP神经网络简介 108

9.2 BP神经网络中的两个基础算法 110

9.2.1最小二乘法（LS算法）详解 111

9.2.2道士下山的故事——梯度下降算法 113

9.3 TensorFlow实战——房屋价格的计算 116

9.3.1数据收集 117

9.3.2模型的建立与计算 117

9.3.3 TensorFlow程序设计 119

9.4反馈神经网络反向传播算法 121

9.4.1深度学习基础 121

9.4.2链式求导法则 122

9.4.3反馈神经网络原理与公式推导 124

9.4.4反馈神经网络原理的激活函数 129

9.4.5反馈神经网络原理的Python实现 130

9.5本章小结 136

第10章TensorFlow数据的生成与读取详解 137

10.1 TensorFlow的队列 137

10.1.1队列的创建 137

10.1.2线程同步与停止 141

10.1.3队列中数据的读取 142

10.2 CSV文件的创建与读取 143

10.2.1 CSV文件的创建 143

10.2.2 CSV文件的读取 144

10.3 TensorFlow文件的创建与读取 146

10.3.1 TFRecords文件的创建 146

10.3.2 TFRecords文件的读取 149

10.3.3图片文件的创建与读取 150

10.4本章小结 155

第11章 回归分析——从TensorFlow陷阱与细节开始 156

11.1 TensorFlow线性回归 156

11.1.1线性回归详解与编程实战 157

11.1.2线性回归编程中的陷阱与细节设计 159

11.1.3 TensorFlow多元线性回归 163

11.2多元线性回归实战编程 166

11.2.1多元线性回归实战的编程——房屋价格计算 166

11.2.2多元线性回归实战的推广——数据的矩阵化 168

11.3逻辑回归详解 174

11.3.1逻辑回归不是回归算法 174

11.3.2常用的逻辑回归特征变化与结果转换 175

11.3.3逻辑回归的损失函数 176

11.3.4逻辑回归编程实战——胃癌的转移判断 178

11.4本章小结 181

第12章TensorFlow编程实战——MNIST手写体识别 183

12.1 MNIST数据集 183

12.1.1 MNIST是什么 183

12.1.2 MNIST数据集的特征和标签 185

12.2 MNIST数据集实战编程 187

12.2.1 softmax激活函数 187

12.2.2 MNIST编程实战 189

12.2.3为了更高的准确率 192

12.2.4增加更多的深度 193

12.3初识卷积神经网络 195

12.3.1卷积神经网络 196

12.3.2卷积神经网络的程序编写 196

12.3.3多层卷积神经网络的程序编写 199

12.4本章小结 201

第13章 卷积神经网络原理 202

13.1卷积运算基本概念 202

13.1.1卷积运算 203

13.1.2 TensorFlow中卷积函数实现详解 204

13.1.3使用卷积函数对图像感兴趣区域进行标注 208

13.1.4池化运算 210

13.1.5使用池化运算加强卷积特征提取 212

13.2卷积神经网络的结构详解 213

13.2.1卷积神经网络原理 213

13.2.2卷积神经网络的应用实例——LeNet5网络结构 216

13.2.3卷积神经网络的训练 218

13.3 TensorFlow实现LeNet实例 219

13.3.1 LeNet模型分解 219

13.3.2使用ReLU激活函数代替sigmoid 223

13.3.3程序的重构——模块化设计 227

13.3.4卷积核和隐藏层参数的修改 231

13.4本章小结 237

第14章 卷积神经网络公式推导与应用 238

14.1反馈神经网络算法 238

14.1.1经典反馈神经网络正向与反向传播公式推导 238

14.1.2卷积神经网络正向与反向传播公式推导 241

14.2使用卷积神经网络分辨CIFAR-10数据集 249

14.2.1 CIFAR-10数据集下载与介绍 249

14.2.2 CIFAR-10模型的构建与数据处理 251

14.2.3 CIFAR-10模型的细节描述与参数重构 260

14.3本章小结 261

第15章 猫狗大战——实战AlexNet 262

15.1 AlexNet简介 263

15.1.1 AlexNet模型解读 263

15.1.2 AlexNet程序的实现 266

15.2实战猫狗大战——AlexNet模型 270

15.2.1数据的收集与处理 271

15.2.2模型的训练与存储 276

15.2.3使用训练过的模型预测图片 281

15.2.4使用Batch Normalization正则化处理数据集 288

15.3本章小结 297

第16章 我们都爱Finetuning——复用VGG16进行猫狗大战 298

16.1 TensorFlow模型保存与恢复详解 298

16.1.1 TensorFlow保存和恢复函数的使用 298

16.1.2多次模型的保存和恢复 299

16.1.3实战TensorFlow模型的存储与恢复 300

16.2更为细化的保存和恢复方法 304

16.2.1存储文件的解读 304

16.2.2更细节地对模型进行恢复和处理 305

16.3 VGGNet实现 309

16.3.1 VGGNet模型解读及与AlexNet比较 309

16.3.2 VGGNet模型的TensorFlow实现 311

16.4使用已训练好的模型和权重复现 VGGNet 315

16.4.1 npz文件的读取 316

16.4.2复用的VGGNet模型定义 317

16.4.3保存复用的VGGNet模型为TensorFlow格式 323

16.5猫狗大战V2—— Finetuning使用VGGNet进行图像判断 324

16.5.1 Finetuning基本理解 324

16.5.2猫狗大战——Finetuning使用VGGNet 326

16.6本章小结 336

第17章 开始找工作吧——深度学习常用面试问题答疑 337

17.1深度学习面试常用问题答疑 337

17.1.1如何降低过拟合 338

17.1.2全连接层详解 342

17.1.3激活函数起作用的原因 342

17.1.4卷积后的图像大小 343

17.1.5池化层的作用 343

17.1.6为什么在最后分类时使用softmax而不是传统的SVM 343

17.2卷积神经网络调优面试问答汇总 343

17.2.1数据集的注意事项 343

17.2.2卷积模型训练的注意事项 344

17.3 NIN模型介绍 344

17.3.1 NIN模型简介 344

17.3.2猫狗大战——NIN的代码实现 345

17.4 “deeper is better”——GoogLeNet模型介绍 350

17.4.1 GoogLeNet模型的介绍 350

17.4.2 GoogLeNet模型单元的TensorFlow实现 352

17.4.3 GoogLeNet模型的一些注意事项 354

17.5本章小结 355

第18章 暂时的冠军——ResNet简介及TensorFlow实现 356

18.1 ResNet模型简介 356

18.1.1 ResNet模型定义 357

18.1.2定义工具的TensorFlow实现 359

18.1.3 ResNet模型的TensorFlow实现 360

18.2新兴的卷积神经模型简介 362

18.2.1 SqueezeNet模型简介 362

18.2.2 Xception模型简介 365

18.3本章小结 366

第19章TensorFlow高级API—— Slim使用入门 368

19.1 Slim详解 368

19.2 Slim使用方法介绍 369

19.2.1 Slim中变量使用方法介绍 369

19.2.2 Slim中层的使用方法介绍 373

19.2.3 Slim中参数空间使用方法介绍 375

19.3实战——使用Slim定义VGG16 377

19.3.1 VGG16结构图和TensorFlow定义 377

19.3.2使用Slim创建VGG 16并训练 379

19.4实战——使用Slim设计多层感知器（MLP） 382

19.4.1 MLP的Slim实现 383

19.4.2 MLP模型的评估 392

19.5 Slim数据读取方式 394

19.5.1 Slim数据读取格式 394

19.5.2生成TFRecords格式数据 395

19.5.3使用Slim读取TFRecords格式数据 398

19.6本章小结 399

第20章Slim使用进阶 400

20.1使用Slim创建卷积神经网络（CNN） 400

20.1.1数据集获取 400

20.1.2创建卷积神经网络 403

20.1.3训练Slim创建的卷积网络 405

20.2使用Slim预训练模型进行Finetuning 407

20.2.1 Inception-ResNet-v2模型简介 407

20.2.2使用Inception-ResNet-v2预训练模型参数 408

20.2.3修改Inception-ResNet-v2预训练模型输出层级 415

20.3本章小结 419

第21章 全卷积神经网络图像分割入门 420

21.1全卷积神经网络进行图像分割的理论基础 420

21.1.1全连接层和全卷积层 421

21.1.2反卷积（upsampling）计算 423

21.2全卷积神经网络进行图像分割的分步流程与编程基础 425

21.2.1使用VGG 16进行图像识别 425

21.2.2上采样（upsampling）详解 428

21.2.3一种常用的卷积核——双线插值 430

21.2.4实战——使用VGG16全卷积网络进行图像分割 434

21.3本章小结 438

第22章 不服就是GAN——对抗生成网络 439

22.1对抗生成网络详解 439

22.1.1 GAN的基本原理介绍 440

22.1.2简单GAN的TensorFlow实现 443

22.2从0到1——实战：使用GAN生成手写体数字 449

22.2.1分步骤简介 450

22.2.2 GAN网络的训练 455

22.3本章小结 458