TensorFlow深度學習及實踐

第1章 人工智能簡介
1.1什麼是人工智能
1.2AlphaGo的原理簡介
1.2.1MCTS演算法
1.2.2AlphaGo的基本原理
1.3什麼是深度學習
1.4深度學習的方法
1.5TensorFlow是什麼
1.5.1TensorFlow的特點
1.5.2TensorFlow的使用公司和使用物件
1.5.3為什麼Google要開源這個神器
1.6其他深度學習框架
1.7小結
1.8習題

第2章 TensorFlow環境搭建
2.1安裝環境介紹
2.1.1CUDA簡介
2.1.2cuDNN簡介
2.1.3查看GPU信息
2.2安裝TensorFlow
2.2.1下載TensorFlow
2.2.2基於pip的安裝
2.2.3基於Java的安裝
2.2.4從原始程式碼安裝
2.3其他模組
2.3.1numpy模組
2.3.2matplotlib模組
2.3.3jupyter模組
2.3.4scikitimage模組
2.3.5librosa模組
2.3.6nltk模組
2.3.7keras模組
2.3.8tflearn模組
2.4文字編輯器
2.4.1Geany
2.4.2SublimeText
2.4.3IDLE
2.4.4PyCharm
2.5TensorFlow測試樣本
2.6小結
2.7習題

第3章 TensorFlow視覺化
3.1PlayGround
3.1.1數據
3.1.2特徵
3.1.3隱藏層
3.1.4輸出
3.2TensorBoard
3.3TensorBoard代碼
3.4小結
3.5習題

第4章 TensorFlow基礎知識
4.1張量
4.1.1張量的屬性
4.1.2張量的創建
4.1.3TensorFlow的互動式運行
4.2資料流程圖
4.3操作
4.4會話
4.5變數
4.5.1初始化
4.5.2形變
4.5.3資料類型與維度
4.5.4其他操作
4.5.5共用變數
4.6矩陣的創建與操作
4.7模型的保存與讀取
4.7.1保存模型
4.7.2載入模型
4.7.3從磁片讀取資訊
4.8批標準化
4.9使用GPU
4.9.1指定GPU設備
4.9.2指定GPU的顯存佔用
4.10神經元函數
4.10.1啟動函數
4.10.2卷積函數
4.10.3分類函數
4.11優化方法
4.12佇列與執行緒
4.12.1佇列
4.12.2佇列管理器
4.12.3執行緒和協調器
4.13讀取資料來源
4.13.1placeholder填充數據
4.13.2檔讀入資料
4.13.3預先讀入記憶體方式
4.14創建分類器
4.15小結
4.16習題

第5章 TensorFlow聚類分析
5.1無監督學習
5.2聚類的概念
5.3k均值聚類演算法
5.3.1k均值聚類演算法反覆運算判據
5.3.2k均值聚類演算法的機制
5.3.3k均值聚類演算法的優缺點
5.3.4k均值聚類演算法的實現
5.4k最近鄰演算法
5.4.1實例分析
5.4.2k最近鄰演算法概述
5.4.3模型和三要素
5.4.4kNN演算法的不足
5.5k均值聚類演算法的典型應用
5.5.1實例：對人工資料集使用k均值聚類演算法
5.5.2實例：對人工資料集使用k最近鄰演算法
5.5.3實例：對圖像識別使用k最近鄰演算法
5.6小結
5.7習題

第6章 TensorFlow回歸分析
6.1求逆矩陣
6.2矩陣分解
6.3實例：TensorFlow實現線性回歸演算法
6.4選擇損失函數
6.4.1最小化損失函數
6.4.2實例：TensorFlow實現線性回歸損失函數
6.5TensorFlow的其他回歸演算法
6.5.1戴明回歸演算法
6.5.2嶺回歸與lasso回歸演算法
6.5.3彈性網路回歸演算法
6.6邏輯回歸分析
6.6.1邏輯回歸
6.6.2損失函數
6.6.3實例：TensorFlow實現邏輯回歸演算法
6.7小結
6.8習題

第7章 TensorFlow支持向量機
7.1支持向量機簡介
7.1.1幾何間隔和函數間隔
7.1.2最大化間隔
7.1.3軟間隔
7.1.4SMO演算法
7.1.5核函數
7.1.6實例：TensorFlow實現支持向量機
7.2非線性支援向量機
7.2.1風險最小化
7.2.2VC維
7.2.3結構風險最小化
7.2.4鬆弛變數
7.2.5實例：TensorFlow實現非線性支援向量機
7.3實例：TensorFlow實現多類支持向量機
7.4小結
7.5習題

第8章 深度神經網路基礎知識
8.1神經元
8.1.1神經元的結構
8.1.2神經元的功能
8.2簡單神經網路
8.3深度神經網路
8.4梯度下降
8.4.1批量梯度下降法
8.4.2隨機梯度下降法
8.4.3小批量梯度下降法
8.4.4實例：梯度下降法
8.5前向傳播
8.5.1前向傳播演算法數學原理
8.5.2DNN的前向傳播演算法
8.6後向傳播
8.6.1求導鏈式法則
8.6.2後向傳播演算法思路
8.6.3後向傳播演算法的計算過程
8.6.4實例：實現一個簡單的二值分類演算法
8.7優化函數
8.7.1隨機梯度下降優化法
8.7.2動量優化法
8.7.3Adagrad優化法
8.7.4Adadelta優化法
8.7.5Adam優化法
8.8實例：TensorFlow實現簡單深度神經網路
8.9小結
8.10習題

第9章 TensorFlow實現卷積神經網路
9.1卷積神經網路的概述
9.1.1什麼是卷積神經網路
9.1.2為什麼要用卷積神經網路
9.1.3卷積神經網路的結構
9.1.4實例：簡單卷積神經網路的實現
9.2卷積神經網路的函數
9.3AlexNet
9.4TensorFlow實現ResNet
9.4.1ResNet的基本原理
9.4.2實例：TensorFlow實現ResNet
9.5TesnorFlow卷積神經網路的典型應用
9.6反卷積神經網路
9.6.1反卷積原理
9.6.2反卷積操作
9.6.3實例：TensorFlow實現反卷積
9.6.4反池化原理
9.6.5實例：TensorFlow實現反池化
9.6.6偏導計算
9.6.7梯度停止
9.7深度學習的訓練技巧
9.7.1優化卷積核技術
9.7.2多通道卷積技術
9.8小結
9.9習題

第10章 TensorFlow實現迴圈神經網路
10.1迴圈神經網路的概述
10.1.1迴圈神經網路的結構
10.1.2實例：簡單迴圈神經網路的實現
10.2長短時記憶網路
10.2.1LSTM的網路結構
10.2.2LSTM的前向計算
10.2.3實例：LSTM的實現
10.3自然語言建模
10.4實例：BiRNN實現語音辨識
10.4.1語音辨識背景
10.4.2獲取並整理樣本
10.4.3訓練模型
10.5Seq2Seq任務
10.5.1Seq2Seq任務介紹
10.5.2EncoderDecoder框架
10.5.3實例：TensorFlow實現Seq2Seq翻譯
10.5.4實例：比特幣市場的分析與預測
10.6小結
10.7習題

第11章 TensorFlow實現深度神經網路
11.1深度神經網路的起源
11.2模型介紹
11.2.1AlexNet模型
11.2.2VGG模型
11.2.3GoogleNet模型
11.2.4殘差網路
11.2.5Inception ResNet v2結構
11.2.6其他的深度神經網路結構
11.3實例：VGG藝術風格轉移
11.4生成式對抗網路
11.4.1GAN的理論知識
11.4.2生成式模型的應用
11.4.3discriminator和generator損失計算
11.4.4基於深度卷積的GAN
11.4.5指定類別生成類比樣本的GAN
11.5實例：構建InfoGAN生成MNIST類比資料
11.6小結
11.7習題

參考文獻