TensorFlow智能算法與應(yīng)用

目 錄
入　門　篇
第1章　學(xué)習(xí)環(huán)境搭建\t3
1．1　Docker工具箱\t3
1．2 運(yùn)行Docker鏡像\t6
1．3 Jupyter筆記本\t10
1．3．1 Jupyter界面\t10
1．3．2 Jupyter單元格\t12
1．3．3 Jupyter模式\t14
1．3．4 Jupyter常用指令\t14
1．4 NumPy庫\t15
1．4．1 ndarray數(shù)據(jù)基礎(chǔ)\t16
1．4．2 ndarray廣播運(yùn)算\t20
1．4．3 ndarray函數(shù)運(yùn)算\t22
1．4．4 ndarray索引切分\t24
1．5 Pandas\t25
1．5．1 Pandas基礎(chǔ)對(duì)象\t26
1．5．2 Pandas選擇數(shù)據(jù)\t29
1．5．3 Pandas 處理實(shí)例\t31
1．6 Scikit-Learn\t34
1．6．1 sklearn．datasets\t34
1．6．2 Pandas處理\t35
1．6．3 sklearn回歸\t36
第2章　TensorFlow入門\t38
2．1 Hello TensorFlow\t39
2．2 TensorFlow數(shù)據(jù)結(jié)構(gòu)\t39
2．3 TensorFlow計(jì)算-數(shù)據(jù)流圖\t40
2．3．1 常量節(jié)點(diǎn)（Constant）\t42
2．3．2 占位符節(jié)點(diǎn)（Placeholder）\t42
2．3．3 變量節(jié)點(diǎn)（Variable）\t43
2．3．4 操作節(jié)點(diǎn)（Operation）\t45
2．4 TensorFlow會(huì)話與基本操作\t45
2．5 TensorFlow可視化\t47
第3章　TensorFlow進(jìn)階\t49
3．1 TensorFlow數(shù)據(jù)處理\t50
3．1．1 索引計(jì)算\t50
3．1．2 矩陣計(jì)算\t51
3．1．3 形狀計(jì)算\t53
3．1．4 規(guī)約計(jì)算\t54
3．1．5 分割計(jì)算\t55
3．1．6 張量的形狀\t57
3．1．7 張量的運(yùn)算\t58
3．1．8 骰子游戲\t61
3．2 TensorFlow共享變量\t62
3．2．1 name_scope名字域\t62
3．2．2 variablescope 變量域\t63
3．3 TensorFlow模型配置\t64
基　礎(chǔ)　篇
第4章　線性回歸算法\t69
4．1 BOSTON 數(shù)據(jù)集\t70
4．2 TensorFlow模型\t72
4．2．1 準(zhǔn)備數(shù)據(jù)\t72
4．2．2 定義模型\t72
4．2．3 訓(xùn)練模型\t73
4．2．4 評(píng)估模型\t73
4．2．5 可視化模型\t73
4．3 Estimator模型\t75
4．3．1 Dataset API\t75
4．3．2 估算器介紹\t76
4．3．3 準(zhǔn)備數(shù)據(jù)\t77
4．3．4 定義模型\t78
4．3．5 訓(xùn)練模型\t78
4．3．6 評(píng)估模型\t78
4．3．7 可視化模型\t79
4．4 Keras模型\t81
4．4．1 定義模型\t81
4．4．2 訓(xùn)練模型\t81
4．4．3 評(píng)估模型\t82
4．4．4 可視化模型\t82
第5章　邏輯回歸算法\t84
5．1 線性回歸到邏輯回歸\t84
5．2 最小二乘到交叉熵\t86
5．3 MNIST數(shù)據(jù)集\t88
5．4 TensorFlow模型\t88
5．4．1 準(zhǔn)備數(shù)據(jù)\t89
5．4．2 定義模型\t89
5．4．3 訓(xùn)練模型\t90
5．4．4 評(píng)估模型\t91
5．4．5 可視化模型\t91
5．5 Estimator模型\t92
5．5．1 準(zhǔn)備數(shù)據(jù)\t92
5．5．2 定義模型\t93
5．5．3 訓(xùn)練模型\t93
5．5．4 評(píng)估模型\t93
5．5．5 可視化模型\t94
5．6 Keras模型\t95
5．6．1 準(zhǔn)備數(shù)據(jù)\t95
5．6．2 定義模型\t96
5．6．3 訓(xùn)練模型\t96
5．6．4 評(píng)估模型\t96
5．6．5 可視化模型\t97
第6章　算法的正則化\t99
6．1 過擬合\t99
6．2 正則化\t99
6．3 編程實(shí)戰(zhàn)\t103
進(jìn)　階　篇
第7章　神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)算法\t113
7．1 神經(jīng)網(wǎng)絡(luò)\t113
7．1．1 激活函數(shù)\t114
7．1．2 編程實(shí)戰(zhàn)\t119
7．2 神經(jīng)網(wǎng)絡(luò)訓(xùn)練\t123
7．2．1 訓(xùn)練困難分析\t124
7．2．2 編程實(shí)戰(zhàn)\t124
7．3 多類別神經(jīng)網(wǎng)絡(luò)\t133
7．3．1 邏輯回歸與深度網(wǎng)絡(luò)\t133
7．3．2 權(quán)重可視化\t135
7．4 神經(jīng)網(wǎng)絡(luò)嵌入\t136
7．4．1 一維數(shù)軸排列\(zhòng)t137
7．4．2 二維數(shù)軸排列\(zhòng)t137
7．4．3 傳統(tǒng)類別表示\t138
7．4．4 嵌入表示\t140
第8章 卷積神經(jīng)網(wǎng)絡(luò)（CNN）\t141
8．1 卷積神經(jīng)網(wǎng)絡(luò)簡介\t141
8．2 CNN與DNN\t142
8．3 卷積操作\t142
8．4 卷積實(shí)戰(zhàn)\t145
8．5 池化操作\t149
8．6 池化實(shí)戰(zhàn)\t149
8．7 Relu非線性激活\t150
8．8 TensorFlow卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t151
8．9 Estimalor卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t155
8．10 Keras卷積神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t159
第9章 循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）\t162
9．1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介\t162
9．2 DNN、CNN與RNN\t162
9．3 手工循環(huán)神經(jīng)網(wǎng)絡(luò)\t164
9．4 static_rnn循環(huán)神經(jīng)網(wǎng)絡(luò)\t165
9．5 dynamic_rnn循環(huán)神經(jīng)網(wǎng)絡(luò)\t167
9．6 TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t169
9．7 Estimator循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t173
9．8 Keras循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)戰(zhàn)\t176
9．9 LSTM模型\t178
9．10 GRU模型\t180
第10章 自動(dòng)編碼器（AutoEncoder）\t182
10．1 自動(dòng)編碼器簡介\t182
10．2 自動(dòng)編碼器與PCA\t183
10．3 稀疏自動(dòng)編碼器\t185
10．4 棧式自動(dòng)編碼器（SAE）\t187
10．4．1 關(guān)聯(lián)權(quán)重\t190
10．4．2 分階段訓(xùn)練\t192
10．4．3 無監(jiān)督預(yù)訓(xùn)練\t194
10．5 降噪自動(dòng)編碼器（DAE）\t198
10．6 變分自動(dòng)編碼器（VAE）\t200
10．6．1 變分自動(dòng)編碼器原理\t200
10．6．2 變分自動(dòng)編碼器生成數(shù)字\t203
應(yīng)　用　篇
第11章 生成式對(duì)抗網(wǎng)絡(luò)\t207
11．1 生成式對(duì)抗網(wǎng)絡(luò)簡介\t207
11．2 GAN工作原理\t207
11．3 GAN改進(jìn)模型\t209
11．4 GAN模型實(shí)戰(zhàn)\t212
11．5 GAN訓(xùn)練技巧\t221
11．6 GAN未來展望\t222
第12章　使用TensorFlow Hub進(jìn)行遷移學(xué)習(xí)\t223
12．1 圖像遷移學(xué)習(xí)\t223
12．2 文本遷移學(xué)習(xí)\t224
12．3 完整的文本分類器\t225
12．4 遷移學(xué)習(xí)分析\t228