深度學習：基于Python語言和TensorFlow平臺（視頻講解版）

第1章　人工智能極簡歷史　1
1．1　重要的奠基時期　2
1．1．1　神經元的研究和人工神經元模型的提出　2
1．1．2　計算機和程序的出現(xiàn)　3
1．1．3　圖靈測試的提出　4
1．2　人工智能的誕生　4
1．3　第一個快速發(fā)展期　5
1．4　人工智能的第一個寒冬　5
1．5　人工智能研究的沉默探索與復蘇　6
1．6　人工智能的第二個冬天　9
1．7　再一次騰飛　9
1．7．1　計算機綜合計算能力的大幅提升　9
1．7．2　大數(shù)據(jù)的出現(xiàn)　11
1．7．3　神經網(wǎng)絡研究的成熟化　11
1．8　未來展望　13
1．9　本章小結：歷史指引未來　18
第2章　開發(fā)環(huán)境準備　19
2．1　安裝Python　20
2．1．1　Windows操作系統(tǒng)下安裝Python　20
2．1．2　Mac OS X操作系統(tǒng)下安裝Python　29
2．1．3　Linux操作系統(tǒng)下安裝Python　30
2．2　安裝TensorFlow　30
2．3　打造更舒適的開發(fā)環(huán)境　32
2．3．1　修改Windows資源管理器的一些顯示設置　32
2．3．2　命令提示符CMD的替代方案　34
2．3．3　文本文件編輯器　36
2．3．4　Python語言專用的開發(fā)工具　40
2．4　知識背景準備　45
2．4．1　怎樣輸入Python程序　45
2．4．2　怎樣執(zhí)行Python程序　45
2．4．3　變量　46
2．4．4　函數(shù)（方法）　50
2．4．5　對象　51
2．4．6　條件判斷與分支　53
2．4．7　循環(huán)　54
2．4．8　注釋　55
2．4．9　程序運行時出現(xiàn)錯誤怎么辦　55
2．4．10　本章小結：一段示例代碼　56
第3章　初識TensorFlow　57
3．1　三好學生成績問題的引入　58
3．2　搭建解決三好學生成績問題的神經網(wǎng)絡　58
3．3　訓練神經網(wǎng)絡　62
3．4　本章小結：解決的第一個問題　68
3．5　練習　68
第4章　簡化神經網(wǎng)絡模型　69
4．1　在程序運行中查看變量取值　70
4．2　張量概念的引入　70
4．3　用向量重新組織輸入數(shù)據(jù)　72
4．4　簡化的神經網(wǎng)絡模型　75
4．5　概念補充——標量、多維數(shù)組等　76
4．5．1　標量　76
4．5．2　多維數(shù)組　76
4．5．3　張量的階和形態(tài)　77
4．6　在TensorFlow中查看和設定張量的形態(tài)　78
4．7　用softmax函數(shù)來規(guī)范可變參數(shù)　81
4．8　本章小結：線性問題　83
4．9　練習　84
第5章　用神經網(wǎng)絡解決非線性問題　85
5．1　非線性問題的引入　86
5．1．1　三好學生評選結果問題　86
5．1．2　二分類問題：是否為三好學生　86
5．1．3　非線性問題　87
5．2　設計神經網(wǎng)絡模型　88
5．2．1　激活函數(shù)sigmoid　88
5．2．2　使用sigmoid函數(shù)后的神經網(wǎng)絡模型　89
5．2．3　實現(xiàn)本模型的代碼　89
5．3　準備訓練數(shù)據(jù)　90
5．3．1　隨機數(shù)　90
5．3．2　產生隨機訓練數(shù)據(jù)　90
5．4　完整的訓練代碼　92
5．4．1　使用隨機數(shù)據(jù)進行訓練　92
5．4．2　加入偏移量b加快訓練過程　94
5．5　進階：批量生成隨機訓練數(shù)據(jù)　97
5．6　本章小結：非線性問題　100
5．7　練習　100
第6章　從文件中載入訓練數(shù)據(jù)　101
6．1　用純文本文件準備訓練數(shù)據(jù)　102
6．1．1　數(shù)據(jù)的數(shù)字化　102
6．1．2　訓練數(shù)據(jù)的格式　102
6．1．3　數(shù)據(jù)整理　103
6．1．4　使用CSV格式文件輔助處理數(shù)據(jù)　104
6．2　加載文件中的訓練數(shù)據(jù)　106
6．2．1　加載函數(shù)　106
6．2．2　非數(shù)字列的舍棄　106
6．2．3　非數(shù)字列與數(shù)字列的轉換　107
6．2．4　行數(shù)據(jù)的分拆及如何“喂”給訓練過程　108
6．3　本章小結：讀取訓練數(shù)據(jù)最常用的方式　110
6．4　練習　110
第7章　多層全連接神經網(wǎng)絡　111
7．1　身份證問題的引入　112
7．2　問題分析　112
7．3　單層網(wǎng)絡的模型　112
7．4　多層全連接神經網(wǎng)絡　115
7．4．1　矩陣乘法　115
7．4．2　如何用矩陣乘法實現(xiàn)全連接層　116
7．4．3　使用均方誤差作為計算誤差的方法　119
7．4．4　激活函數(shù)tanh　120
7．4．5　新的模型　121
7．5　身份證問題新模型的代碼實現(xiàn)　121
7．6　進一步優(yōu)化模型和代碼　124
7．7　本章小結：多層、全連接、線性與非線性　125
7．8　練習　126
第8章　保存和載入訓練過程　127
8．1　保存訓練過程　128
8．2　載入保存的訓練過程并繼續(xù)訓練　130
8．3　通過命令行參數(shù)控制是否強制重新開始訓練　132
8．4　訓練過程中手動保存　135
8．5　保存訓練過程前征得同意　137
8．6　本章小結：善于利用保存和載入訓練過程　139
8．7　練習　139
第9章　查看圖形化的模型　140
9．1　數(shù)據(jù)流圖的概念　141
9．2　用TensorBoard查看數(shù)據(jù)流圖　141
9．3　控制TensorBoard圖中對象的名稱　143
9．4　本章小結：圖形化的模型　145
9．5　練習　145
第10章　用訓練好的模型進行預測　146
10．1　從命令行參數(shù)讀取需要預測的數(shù)據(jù)　147
10．2　從文件中讀取數(shù)據(jù)進行預測　149
10．3　從任意字符串中讀取數(shù)據(jù)進行預測　152
10．4　本章小結：預測與訓練的區(qū)別　154
10．5　練習　154
第11章　用高級工具簡化建模和訓練過程　155
11．1　Keras框架介紹　156
11．2　用Keras實現(xiàn)神經網(wǎng)絡模型　156
11．3　用Keras進行預測　158
11．4　保存和載入Keras模型　160
11．5　本章小結：方便與靈活度的取舍　161
11．6　練習　161
第12章　在其他語言中調用TensorFlow模型　162
12．1　如何保存模型　163
12．2　在Java語言中載入TensorFlow模型并進行預測計算　165
12．3　在Go語言中載入TensorFlow模型并進行預測計算　167
12．4　本章小結：僅能預測　167
第13章　用卷積神經網(wǎng)絡進行圖像識別　169
13．1　情憑誰來定錯對——一首歌引出的對錯問題　170
13．2　卷積神經網(wǎng)絡介紹　170
13．2．1　卷積神經網(wǎng)絡的基本概念　170
13．2．2　數(shù)字圖片在計算機中的表達形式　170
13．2．3　卷積層的具體計算過程　172
13．2．4　卷積層的原理和優(yōu)點　174
13．2．5　卷積神經網(wǎng)絡的典型結構　177
13．3　用卷積網(wǎng)絡實現(xiàn)圖像識別　177
13．3．1　鉤叉問題的圖像數(shù)據(jù)格式　177
13．3．2　準備鉤叉問題的訓練數(shù)據(jù)　178
13．3．3　設計鉤叉問題的神經網(wǎng)絡模型并實現(xiàn)　179
13．4　本章小結：進一步優(yōu)化的方向　183
13．5　練習　183
第14章　循環(huán)神經網(wǎng)絡初探　184
14．1　循環(huán)神經網(wǎng)絡簡介　185
14．2　長短期記憶模型LSTM的作用　186
14．3　匯率預測問題的引入　186
14．4　用于匯率預測的LSTM神經網(wǎng)絡模型　187
14．5　實現(xiàn)匯率預測LSTM網(wǎng)絡的代碼　188
14．6　用循環(huán)神經網(wǎng)絡來進行自然語言處理　193
14．7　本章小結：時序有關問題　195
14．8　練習　195
第15章　優(yōu)化器的選擇與設置　196
15．1　優(yōu)化器的作用　197
15．2　梯度下降算法　197
15．3　學習率的影響　198
15．4　主流優(yōu)化方法介紹　199
15．5　優(yōu)化器效率對比　200
15．6　本章小結：渡河之筏　203
第16章　下一步學習方向指南　204
16．1　更多的激活函數(shù)　205
16．2　更多的隱藏層類型　205
16．3　確定最適合的神經網(wǎng)絡類型　206
16．4　GPU版本　206
16．5　有監(jiān)督學習與無監(jiān)督學習　207
16．6　深度學習進階　207
16．7　升級到最新的TensorFlow版本　207
16．8　本章小結：最后的實例　208