TensorFlow進階指南：基礎、算法與應用

第1章 人工智能與深度學習 1
1.1 人工智能與機器學習 1
1.2 無處不在的深度學習 6
1.3 如何入門深度學習 7
1.4 主流深度學習框架介紹 13
第2章 搭建TensorFlow環(huán)境 15
2.1 基于pip安裝 15
2.1.1 基于Windows環(huán)境安裝TensorFlow 15
2.1.2 基于Linux環(huán)境安裝TensorFlow 22
2.2 基于Java安裝TensorFlow 24
2.3 安裝TensorFlow的常用依賴模塊 27
2.4 Hello TensorFlow 30
2.4.1 MNIST數(shù)據(jù)集 30
2.4.2 編寫訓練程序 32
2.5 小結 35
第3章 TensorFlow基礎 36
3.1 TensorFlow的系統(tǒng)架構 36
3.1.1 Client 37
3.1.2 Distributed Master 38
3.1.3 Worker Service 39
3.1.4 Kernel Implements 39
3.2 TensorFlow的數(shù)據(jù)結構——張量 39
3.2.1 什么是張量 39
3.2.2 張量的階 40
3.2.3 張量的形狀 40
3.2.4 數(shù)據(jù)類型 41
3.3 TensorFlow的計算模型——圖 42
3.3.1 計算圖基礎 42
3.3.2 計算圖的組成 43
3.3.3 計算圖的使用 45
3.3.4 小結 48
3.4 TensorFlow中的會話——Session 48
第4章 TensorFlow中常用的激活函數(shù)與神經(jīng)網(wǎng)絡 50
4.1 激活函數(shù)的概念 50
4.2 常用的激活函數(shù) 51
4.2.1 Sigmoid函數(shù) 51
4.2.2 Tanh函數(shù) 53
4.2.3 ReLU函數(shù) 55
4.2.4 Softplus函數(shù) 57
4.2.5 Softmax函數(shù) 58
4.2.6 小結 59
4.3 損失函數(shù)的概念 60
4.4 損失函數(shù)的分類 63
4.5 常用的損失函數(shù) 65
4.5.1 0-1損失函數(shù) 65
4.5.2 Log損失函數(shù) 66
4.5.3 Hinge損失函數(shù) 69
4.5.4 指數(shù)損失 70
4.5.5 感知機損失 70
4.5.6 平方（均方）損失函數(shù) 71
4.5.7 絕對值損失函數(shù) 71
4.5.8 自定義損失函數(shù) 71
4.6 正則項 72
4.6.1 L0范數(shù)和L1范數(shù) 72
4.6.2 L2范數(shù) 73
4.6.3 核范數(shù) 74
4.7 規(guī)則化參數(shù) 76
4.8 易混淆的概念 76
4.9 神經(jīng)網(wǎng)絡的優(yōu)化方法 77
4.9.1 梯度下降算法 77
4.9.2 隨機梯度下降算法 79
4.9.3 其他的優(yōu)化算法 80
4.9.4 小結 84
4.10 生成式對抗網(wǎng)絡（GAN） 84
4.10.1 CGAN 96
4.10.2 DCGAN 97
4.10.3 WGAN 98
4.10.4 LSGAN 99
4.10.5 BEGAN 100
第5章 卷積神經(jīng)網(wǎng)絡 102
5.1 神經(jīng)網(wǎng)絡簡介 102
5.1.1 神經(jīng)元與神經(jīng)網(wǎng)絡 102
5.1.2 感知器（單層神經(jīng)網(wǎng)絡）與多層感知器 104
5.2 圖像識別問題 108
5.3 常用的圖像庫介紹 111
5.4 卷積神經(jīng)網(wǎng)絡簡介 114
5.4.1 CNN的基本原理與卷積核 115
5.4.2 池化 116
5.4.3 再探ReLU 118
5.5 CNN模型 119
5.5.1 LeNet-5模型 119
5.5.2 AlexNet模型 123
5.5.3 Inception模型 130
5.6 用CNN實現(xiàn)MNIST訓練 147
第6章 循環(huán)神經(jīng)網(wǎng)絡 152
6.1 初識循環(huán)神經(jīng)網(wǎng)絡 152
6.1.1 前饋神經(jīng)網(wǎng)絡 153
6.1.2 神經(jīng)網(wǎng)絡中的時序信息 159
6.2 詳解循環(huán)神經(jīng)網(wǎng)絡 160
6.3 RNN的變種——雙向RNN 163
6.4 One-Hot Encoding 166
6.5 詞向量和word2vec 167
6.5.1 CBOW模型 168
6.5.2 Skip-Gram模型 169
6.6 梯度消失問題和梯度爆炸問題 170
6.6.1 梯度下降 171
6.6.2 解決梯度消失和梯度爆炸問題的方法 173
6.7 RNN的變種——LSTM 180
6.8 寫詩機器人 190
第7章 TensorFlow的可視化 197
7.1 TensorBoard簡介 197
7.2 生成和使用TensorBoard 201
7.3 TensorBoard的面板展示 209
7.4 小結 224
第8章 TensorFlow中的數(shù)據(jù)操作 225
8.1 制作TFRecords數(shù)據(jù)集 225
8.2 Dataset API介紹 231
8.3 TensorFlow中的隊列 234
第9章 支持向量機（SVM） 241
9.1 什么是支持向量機 241
9.2 計算最優(yōu)超平面 243
9.3 TensorFlow實現(xiàn)線性SVM 244
9.4 非線性SVM介紹 248
9.5 使用TensorFlow實現(xiàn)非線性SVM分類器 251
第10章 TensorFlow結合Flask發(fā)布MNIST模型 259
10.1 Flask框架介紹 259
10.2 訓練MNIST模型 260
10.3 小結 276
第11章 TensorFlow模型的發(fā)布與部署 277
11.1 TensorFlow Serving的前導知識 277
11.2 TensorFlow Serving 模型打包 281
11.3 TensorFlow Serving模型的部署和調(diào)用 285
第12章 TensorFlow Lite牛刀小試 286
12.1 什么是TensorFlow Lite 286
12.2 如何使用TensorFlow Lite模型 288
12.3 TensorFlow Lite與Android結合實現(xiàn)圖像識別 291
第13章 TensorFlow GPU 297
13.1 什么是GPU 297
13.2 GPU的選擇 298
13.3 搭建TensorFlow GPU 300
13.3.1 在Windows上搭建TensorFlow GPU 300
13.3.2 在Linux上搭建TensorFlow GPU 308
13.4 使用TensorFlow GPU進行訓練 312
第14章 TensorFlow與目標檢測 318
14.1 傳統(tǒng)目標檢測方法 318
14.2 RCNN介紹 320
14.3 Fast-RCNN 322
14.4 Faster-RCNN 326
14.5 YOLO 329
附錄A TensorFlow歷代版本更新內(nèi)容 355
A.1 TensorFlow 1.3版本更新內(nèi)容 355
A.2 TensorFlow 1.4版本更新內(nèi)容 356
A.3 TensorFlow 1.5版本更新內(nèi)容 357
A.4 TensorFlow 1.6版本更新內(nèi)容 357
A.5 TensorFlow 1.7版本更新內(nèi)容 358
A.6 TensorFlow 1.8版本更新內(nèi)容 358
A.7 TensorFlow 1.9版本更新內(nèi)容 359