TensorFlow深度學習實例教程

前言 \n
二維碼資源清單 \n
項目1 搭建TensorFlow開發(fā)環(huán)境1 \n
項目描述1 \n
思維導圖1 \n
項目目標1 \n
1.1 人工智能、機器學習與深度學習2 \n
1.1.1 人工智能2 \n
1.1.2 機器學習2 \n
1.1.3 深度學習4 \n
1.2 深度學習簡介5 \n
1.2.1 深度學習發(fā)展簡史5 \n
1.2.2 深度學習的工作原理7 \n
1.2.3 深度學習的應用9 \n
1.3 任務1：認識深度學習框架13 \n
1.3.1 TensorFlow13 \n
1.3.2 Keras14 \n
1.3.3 PyTorch14 \n
1.3.4 Caffe15 \n
1.3.5 MXNet15 \n
1.3.6 PaddlePaddle16 \n
1.4 任務2：搭建深度學習開發(fā)環(huán)境17 \n
1.4.1 安裝Anaconda17 \n
1.4.2 使用Conda管理環(huán)境20 \n
1.4.3 安裝TensorFlow21 \n
1.4.4 常用編輯器22 \n
拓展項目24 \n
項目2 手寫數(shù)字識別：TensorFlow初探26 \n
項目描述26 \n
思維導圖26 \n
項目目標26 \n
2.1 TensorFlow架構27 \n
2.1.1 TensorFlow架構圖27 \n
2.1.2 TensorFlow 1.x和2.0之間的差異28 \n
2.1.3 TensorFlow數(shù)據(jù)流圖29 \n
2.1.4 TensorFlow運行機制31 \n
2.2 任務1：張量的基本操作32 \n
2.2.1 張量的階、形狀、數(shù)據(jù)類型32 \n
2.2.2 現(xiàn)實世界中的數(shù)據(jù)張量35 \n
2.2.3 MNIST數(shù)據(jù)集39 \n
2.2.4 索引與切片43 \n
2.2.5 維度變換47 \n
2.2.6 廣播機制51 \n
2.3 任務2：張量的進階操作54 \n
2.3.1 合并與分割54 \n
2.3.2 大值、小值、均值、和58 \n
2.3.3 張量比較60 \n
2.3.4 張量排序63 \n
2.3.5 張量中提取數(shù)值64 \n
拓展項目65 \n
項目3 房價預測：前饋神經網(wǎng)絡67 \n
項目描述67 \n
思維導圖67 \n
項目目標67 \n
3.1 任務1：實現(xiàn)一元線性回歸模型68 \n
3.1.1 準備數(shù)據(jù)69 \n
3.1.2 構建模型69 \n
3.1.3 迭代訓練70 \n
3.1.4 保存和讀取模型71 \n
3.2 認識神經網(wǎng)絡72 \n
3.2.1 神經元72 \n
3.2.2 激活函數(shù)74 \n
3.3 任務2：房價預測78 \n
3.3.1 準備數(shù)據(jù)集79 \n
3.3.2 構建模型81 \n
3.3.3 訓練模型83 \n
3.4 前饋神經網(wǎng)絡87 \n
3.4.1 前饋神經網(wǎng)絡拓撲結構87 \n
3.4.2 損失函數(shù)89 \n
3.4.3 反向傳播算法92 \n
3.4.4 梯度下降算法95 \n
拓展項目100 \n
項目4 服裝圖像識別：Keras搭建與訓練模型102 \n
項目描述102 \n
思維導圖102 \n
項目目標102 \n
4.1 認識tf.keras103 \n
4.1.1 Keras與tf.keras103 \n
4.1.2 層（Layer）104 \n
4.1.3 模型（Model）106 \n
4.2 任務1：服裝圖像識別108 \n
4.2.1 構建模型108 \n
4.2.2 訓練模型111 \n
4.2.3 評估模型115 \n
4.3 任務2：保存與加載模型116 \n
4.3.1 SavedModel方式保存模型117 \n
4.3.2 H5格式保存模型118 \n
4.3.3 檢查點（Checkpoint）格式保存模型119 \n
4.4 任務3：tf.data優(yōu)化訓練數(shù)據(jù)120 \n
4.4.1 訓練數(shù)據(jù)輸入模型的方法120 \n
4.4.2 tf.data API121 \n
4.4.3 tf.data.Dataset122 \n
4.5 任務4：花卉識別125 \n
4.5.1 下載圖片125 \n
4.5.2 構建花卉數(shù)據(jù)集127 \n
4.5.3 構建與訓練模型129 \n
4.5.4 保存與加載模型130 \n
拓展項目131 \n
項目5 圖像識別：卷積神經網(wǎng)絡132 \n
項目描述132 \n
思維導圖132 \n
項目目標132 \n
5.1 認識卷積神經網(wǎng)絡133 \n
5.1.1 卷積神經網(wǎng)絡發(fā)展歷史133 \n
5.1.2 全連接神經網(wǎng)絡的問題134 \n
5.2 卷積神經網(wǎng)絡基本結構135 \n
5.2.1 卷積運算135 \n
5.2.2 填充136 \n
5.2.3 步長137 \n
5.2.4 多輸入通道和多輸出通道138 \n
5.2.5 池化層139 \n
5.3 TensorFlow對卷積神經網(wǎng)絡的支持140 \n
5.3.1 卷積函數(shù)141 \n
5.3.2 池化函數(shù)144 \n
5.4 任務1：識別CIFAR-10圖像145 \n
5.4.1 卷積網(wǎng)絡的整體結構145 \n
5.4.2 CIFAR-10數(shù)據(jù)集146 \n
5.4.3 構造卷積神經網(wǎng)絡模型148 \n
5.4.4 編譯、訓練并評估模型149 \n
5.5 任務2：搭建經典卷積網(wǎng)絡150 \n
5.5.1 圖像識別的難題151 \n
5.5.2 AlexNet152 \n
5.5.3 VGG系列154 \n
5.5.4 ResNet156 \n
5.6 任務3：ResNet實現(xiàn)圖像識別158 \n
5.6.1 ResNet模型結構158 \n
5.6.2 BasicBlock類159 \n
5.6.3 搭建ResNet網(wǎng)絡模型160 \n
5.6.4 加載數(shù)據(jù)集并訓練模型162 \n
拓展項目163 \n
項目6 AI詩人：循環(huán)神經網(wǎng)絡164 \n
項目描述164 \n
思維導圖164 \n
項目目標164 \n
6.1 認識循環(huán)神經網(wǎng)絡165 \n
6.1.1 循環(huán)神經網(wǎng)絡發(fā)展歷史165 \n
6.1.2 循環(huán)神經網(wǎng)絡的應用166 \n
6.1.3 循環(huán)神經網(wǎng)絡的作用166 \n
6.2 任務1：電影評論分類167 \n
6.2.1 IMDb數(shù)據(jù)集167 \n
6.2.2 使用全連接神經網(wǎng)絡169 \n
6.2.3 循環(huán)神經網(wǎng)絡典型結構170 \n
6.2.4 SimpleRNNCell使用方法171 \n
6.2.5 RNN分類IMDb數(shù)據(jù)集173 \n
6.2.6 RNN梯度消失176 \n
6.3 任務2：AI詩人176 \n
6.3.1 長短期記憶（LSTM）176 \n
6.3.2 文本生成：AI詩人178 \n
拓展項目184 \n
項目7 預測汽車油耗效率：TensorFlow.js應用開發(fā)186 \n
項目描述186 \n
思維導圖186 \n
項目目標186 \n
7.1 認識TensorFlow.js187 \n
7.1.1 TensorFlow.js的優(yōu)點187 \n
7.1.2 TensorFlow.js 的核心概念188 \n
7.1.3 TensorFlow.js 環(huán)境配置190 \n
7.2 任務1：預測汽車油耗效率193 \n
7.2.1 創(chuàng)建主頁并加載數(shù)據(jù)194 \n
7.2.2 定義模型結構196 \n
7.2.3 數(shù)據(jù)預處理196 \n
7.2.4 訓練與測試模型197 \n
7.3 任務2：手寫數(shù)字識別200 \n
7.3.1 從GitHub獲取源碼并運行200 \n
7.3.2 創(chuàng)建相關文件201 \n
7.3.3 定義模型結構203 \n
7.3.4 訓練模型206 \n
7.3.5 使用模型進行評估與預測208 \n
拓展項目210 \n
項目8 花卉識別：TensorFlow Lite211 \n
項目描述211 \n
思維導圖211 \n
項目目標211 \n
8.1 認識TensorFlow Lite212 \n
8.1.1 TensorFlow Lite發(fā)展歷史212 \n
8.1.2 TensorFlow Lite的應用213 \n
8.2 TensorFlow Lite體系結構213 \n
8.2.1 TensorFlow Lite整體架構213 \n
8.2.2 TensorFlow Lite轉換器214 \n
8.2.3 FlatBuffers格式215 \n
8.2.4 TensorFlow Lite解釋執(zhí)行器215 \n
8.3 任務1：TensorFlow Lite開發(fā)工作流程216 \n
8.3.1 選擇模型216 \n
8.3.2 模型轉換218 \n
8.3.3 模型推理219 \n
8.3.4 優(yōu)化模型220 \n
8.4 任務2：TensorFlow Lite實現(xiàn)花卉識別220 \n
8.4.1 選擇模型221 \n
8.4.2 Android部署226 \n
拓展項目233 \n
參考文獻 234 \n