TensorFlow深度学习

第1章　深度学习入门　　1
1.1　机器学习简介　　1
1.1.1　监督学习　　2
1.1.2　无监督学习　　2
1.1.3　强化学习　　3
1.2　深度学习定义　　3
· · · · · · (更多)

第1章　深度学习入门　　1
1.1　机器学习简介　　1
1.1.1　监督学习　　2
1.1.2　无监督学习　　2
1.1.3　强化学习　　3
1.2　深度学习定义　　3
1.2.1　人脑的工作机制　　3
1.2.2　深度学习历史　　4
1.2.3　应用领域　　5
1.3　神经网络　　5
1.3.1　生物神经元　　5
1.3.2　人工神经元　　6
1.4　人工神经网络的学习方式　　8
1.4.1　反向传播算法　　8
1.4.2　权重优化　　8
1.4.3　随机梯度下降法　　9
1.5　神经网络架构　　10
1.5.1　多层感知器　　10
1.5.2　DNN架构　　11
1.5.3　卷积神经网络　　12
1.5.4　受限玻尔兹曼机　　12
1.6　自编码器　　13
1.7　循环神经网络　　14
1.8　几种深度学习框架对比　　14
1.9　小结　　16
第2章　TensorFlow初探　　17
2.1　总览　　17
2.1.1　TensorFlow 1.x版本特性　　18
2.1.2　使用上的改进　　18
2.1.3　TensorFlow安装与入门　　19
2.2　在Linux上安装TensorFlow　　19
2.3　为TensorFlow启用NVIDIA GPU　　20
2.3.1　第1步：安装NVIDIA CUDA　　20
2.3.2　　第2步：安装NVIDIA cuDNN v5.1+　　21
2.3.3　　第3步：确定GPU卡的CUDA计算能力为3.0+　　22
2.3.4　第4步：安装libcupti-dev库　　22
2.3.5　　第5步：安装Python
（或Python 3）　　22
2.3.6　第6步：安装并升级PIP
（或PIP3）　　22
2.3.7　第7步：安装TensorFlow　　23
2.4　如何安装TensorFlow　　23
2.4.1　直接使用pip安装　　23
2.4.2　使用virtualenv安装　　24
2.4.3　从源代码安装　　26
2.5　在Windows上安装TensorFlow　　27
2.5.1　在虚拟机上安装TensorFlow　　27
2.5.2　直接安装到Windows　　27
2.6　测试安装是否成功　　28
2.7　计算图　　28
2.8　为何采用计算图　　29
2.9　编程模型　　30
2.10　数据模型　　33
2.10.1　阶　　33
2.10.2　形状　　33
2.10.3　数据类型　　34
2.10.4　变量　　36
2.10.5　取回　　37
2.10.6　注入　　38
2.11　TensorBoard　　38
2.12　实现一个单输入神经元　　39
2.13　单输入神经元源代码　　43
2.14　迁移到TensorFlow 1.x版本　　43
2.14.1　如何用脚本升级　　44
2.14.2　局限　　47
2.14.3　手动升级代码　　47
2.14.4　变量　　47
2.14.5　汇总函数　　47
2.14.6　简化的数学操作　　48
2.14.7　其他事项　　49
2.15　小结　　49
第3章　用TensorFlow构建前馈
神经网络　　51
3.1　前馈神经网络介绍　　51
3.1.1　前馈和反向传播　　52
3.1.2　权重和偏差　　53
3.1.3　传递函数　　53
3.2　手写数字分类　　54
3.3　探究MNIST数据集　　55
3.4　softmax分类器　　57
3.5　TensorFlow模型的保存和还原　　63
3.5.1　保存模型　　63
3.5.2　还原模型　　63
3.5.3　softmax源代码　　65
3.5.4　softmax启动器源代码　　66
3.6　实现一个五层神经网络　　67
3.6.1　可视化　　69
3.6.2　五层神经网络源代码　　70
3.7　ReLU分类器　　72
3.8　可视化　　73
3.9　dropout优化　　76
3.10　可视化　　78
3.11　小结　　80
第4章　TensorFlow与卷积神经网络　　82
4.1　CNN简介　　82
4.2　CNN架构　　84
4.3　构建你的第一个CNN　　86
4.4　CNN表情识别　　95
4.4.1　表情分类器源代码　　104
4.4.2　使用自己的图像测试模型　　107
4.4.3　源代码　　109
4.5　小结　　111
第5章　优化TensorFlow自编码器　　112
5.1　自编码器简介　　112
5.2　实现一个自编码器　　113
5.3　增强自编码器的鲁棒性　　119
5.4　构建去噪自编码器　　120
5.5　卷积自编码器　　127
5.5.1　编码器　　127
5.5.2　解码器　　128
5.5.3　卷积自编码器源代码　　134
5.6　小结　　138
第6章　循环神经网络　　139
6.1　RNN的基本概念　　139
6.2　RNN的工作机制　　140
6.3　RNN的展开　　140
6.4　梯度消失问题　　141
6.5　LSTM网络　　142
6.6　RNN图像分类器　　143
6.7　双向RNN　　149
6.8　文本预测　　155
6.8.1　数据集　　156
6.8.2　困惑度　　156
6.8.3　PTB模型　　156
6.8.4　运行例程　　157
6.9　小结　　158
第7章　GPU计算　　160
7.1　GPGPU计算　　160
7.2　GPGPU的历史　　161
7.3　CUDA架构　　161
7.4　GPU编程模型　　162
7.5　TensorFlow中GPU的设置　　163
7.6　TensorFlow的GPU管理　　165
7.7　GPU内存管理　　168
7.8　在多GPU系统上分配单个GPU　　168
7.9　使用多个GPU　　170
7.10　小结　　171
第8章　TensorFlow高级编程　　172
8.1　Keras简介　　172
8.2　构建深度学习模型　　174
8.3　影评的情感分类　　175
8.4　添加一个卷积层　　179
8.5　Pretty Tensor　　181
8.6　数字分类器　　182
8.7　TFLearn　　187
8.8　泰坦尼克号幸存者预测器　　188
8.9　小结　　191
第9章　TensorFlow高级多媒体编程　　193
9.1　多媒体分析简介　　193
9.2　基于深度学习的大型对象检测　　193
9.2.1　瓶颈层　　195
9.2.2　使用重训练的模型　　195
9.3　加速线性代数　　197
9.3.1　TensorFlow的核心优势　　197
9.3.2　加速线性代数的准时编译　　197
9.4　TensorFlow和Keras　　202
9.4.1　Keras简介　　202
9.4.2　拥有Keras的好处　　203
9.4.3　视频问答系统　　203
9.5　Android上的深度学习　　209
9.5.1　TensorFlow演示程序　　209
9.5.2　Android入门　　211
9.6　小结　　214
第10章　强化学习　　215
10.1　强化学习基本概念　　216
10.2　Q-learning算法　　217
10.3　OpenAI Gym框架简介　　218
10.4　FrozenLake-v0实现问题　　220
10.5　使用TensorFlow实现Q-learning　　223
10.6　小结　　227
· · · · · · (收起)

机器学习关注的问题是如何使用算法将未经处理的原始数据转化为信息，进而转化为可供决策的情报。这一特性使得机器学习十分适用于大数据预测分析领域。可以说，没有机器学习，人们几乎不可能处理和整合当今世界的海量信息。另一方面，深度学习是机器学习算法的一个分支，其基本思想是学习出多个表示层，作为数据的模型。近年来，人们设计并开发了很多性能强大的深度学习算法，应用于图像识...

• 前　　言
• 第1章 深度学习入门