TensorFlow2深度学习

【实例简介】TensorFlow2深度学习

这是一本面向人工智能，特别是深度学习初学者的书，本书旨在帮助更多的读者朋友了

解、喜欢并进入到人工智能行业中来，因此作者试图从分析人工智能中的简单问题入手，一

步步地提出设想、分析方案以及实现方案，重温当年科研工作者的发现之路，让读者身临其

境式的感受算法设计思想，从而掌握分析问题、解决问题的能力。这种方式也是对读者的基

础要求较少的，读者在学习本书的过程中会自然而然地了解算法的相关背景知识，避免出现

为了学习而学习的窘境。

【核心代码】

简 要 目 录
人工智能绪论
1.1 人工智能
1.2 神经网络发展简史
1.3 深度学习特点
1.4 深度学习应用
1.5 深度学习框架
1.6 开发环境安装
1.7 参考文献
第 2 章 回归问题
2.1 神经元模型
2.2 优化方法
2.3 线性模型实战
2.4 线性回归
2.5 参考文献
第 3 章 分类问题
3.1 手写数字图片数据集
3.2 模型构建
3.3 误差计算
3.4 真的解决了吗
3.5 非线性模型
3.6 表达能力
3.7 优化方法
3.8 手写数字图片识别体验
3.9 小结
3.10 参考文献
第 4 章 TensorFlow 基础
4.1 数据类型
4.2 数值精度
4.3 待优化张量
4.4 创建张量
测试版(20191108)
4.5 张量的典型应用
4.6 索引与切片
4.7 维度变换
4.8 Broadcasting
4.9 数学运算
4.10 前向传播实战
4.11 参考文献
第 5 章 TensorFlow 进阶
5.1 合并与分割
5.2 数据统计
5.3 张量比较
5.4 填充与复制
5.5 数据限幅
5.6 高级操作
5.7 经典数据集加载
5.8 MNIST 测试实战
5.9 参考文献
第 6 章 神经网络
6.1 感知机
6.2 全连接层
6.3 神经网络
6.4 激活函数
6.5 输出层设计
6.6 误差计算
6.7 神经网络类型
6.8 油耗预测实战
6.9 参考文献
第 7 章 反向传播算法
7.1 导数与梯度
7.2 导数常见性质
7.3 激活函数导数
7.4 损失函数梯度
7.5 全连接层梯度
测试版(20191108)
7.6 链式法则
7.7 反向传播算法
7.8 Himmelblau 函数优化实战
7.9 反向传播算法实战
7.10 参考文献
第 8 章 Keras 高层接口
8.1 常见功能模块
8.2 模型装配、训练与测试
8.3 模型保存与加载
8.4 自定义类
8.5 模型乐园
8.6 测量工具
8.7 可视化
8.8 参考文献
第 9 章 过拟合
9.1 模型的容量
9.2 过拟合与欠拟合
9.3 数据集划分
9.4 模型设计
9.5 正则化
9.6 Dropout
9.7 数据增强
9.8 过拟合问题实战
9.9 参考文献
第 10 章 卷积神经网络
10.1 全连接网络的问题
10.2 卷积神经网络
10.3 卷积层实现
10.4 LeNet-5 实战
10.5 表示学习
10.6 梯度传播
10.7 池化层
10.8 BatchNorm 层
测试版(20191108)
10.9 经典卷积网络
10.10 CIFAR10 与 VGG13 实战
10.11 卷积层变种
10.12 深度残差网络
10.13 DenseNet
10.14 CIFAR10 与 ResNet18 实战
10.15 参考文献
第 11 章 循环神经网络
11.1 序列表示方法
11.2 循环神经网络
11.3 梯度传播
11.4 RNN 层使用方法
11.5 RNN 情感分类问题实战
11.6 梯度弥散和梯度爆炸
11.7 RNN 短时记忆
11.8 LSTM 原理
11.9 LSTM 层使用方法
11.10 GRU 简介
11.11 LSTM/GRU 情感分类问题再战
11.12 预训练的词向量
11.13 参考文献
第 12 章 自编码器
12.1 自编码器原理
12.2 MNIST 图片重建实战
12.3 自编码器变种
12.4 变分自编码器
12.5 VAE 实战
12.6 参考文献
第 13 章 生成对抗网络
13.1 博弈学习实例
13.2 GAN 原理
13.3 DCGAN 实战
13.4 GAN 变种