深度学习之TensorFlow入门、原理与进阶实战 PDF 超清版

《深度学习之TensorFlow入门、原理与进阶实战》通过96个案例，全面讲解了深度学习神经网络原理和TensorFlow使用方法。全书共分为3篇，第1篇深度学习与TensorFlow基础，包括快速了解人工智能与TensorFlow、搭建开发环境、TensorFlow基本开发步骤、TensorFlow编程基础、识别图中模糊的手写数字等内容；第2篇深度学习基础——神经网络，介绍了神经网络的基础模型，包括单个神经元、多层神经网络、卷积神经网络、循环神经网络、自编码网络等内容；第3篇深度学习进阶，是对基础网络模型的灵活运用与自由组合，是对前面知识的综合及拔高，包括深度神经网络和对抗神经网络两章内容。本书特别适合TensorFlow深度学习的初学者和进阶读者阅读，也适合社会培训班和各大院校对深度学习有兴趣的学生阅读。

目录

• 配套学习资源
• 前言
• 第1篇 深度学习与TensorFlow基础
• 第1章 快速了解人工智能与TensorFlow2
• 1.1 什么是深度学习2
• 1.2 TensorFlow是做什么的3
• 1.3 TensorFlow的特点4
• 1.4 其他深度学习框架特点及介绍5
• 1.5 如何通过本书学好深度学习6
• 1.5.1 深度学习怎么学6
• 1.5.2 如何学习本书7
• 第2章 搭建开发环境8
• 2.1 下载及安装Anaconda开发工具8
• 2.2 在Windows平台下载及安装TensorFlow11
• 2.3 GPU版本的安装方法12
• 2.3.1 安装CUDA软件包12
• 2.3.2 安装cuDNN库13
• 2.3.3 测试显卡14
• 2.4 熟悉Anaconda 3开发工具15
• 2.4.1 快速了解Spyder16
• 2.4.2 快速了解Jupyter Notebook18
• 第3章 TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例19
• 3.1 实例1：从一组看似混乱的数据中找出y≈2x的规律19
• 3.1.1 准备数据20
• 3.1.2 搭建模型21
• 3.1.3 迭代训练模型23
• 3.1.4 使用模型25
• 3.2 模型是如何训练出来的25
• 3.2.1 模型里的内容及意义25
• 3.2.2 模型内部的数据流向26
• 3.3 了解TensorFlow开发的基本步骤27
• 3.3.1 定义输入节点的方法27
• 3.3.2 实例2：通过字典类型定义输入节点28
• 3.3.3 实例3：直接定义输入节点28
• 3.3.4 定义“学习参数”的变量29
• 3.3.5 实例4：通过字典类型定义“学习参数”29
• 3.3.6 定义“运算”29
• 3.3.7 优化函数，优化目标30
• 3.3.8 初始化所有变量30
• 3.3.9 迭代更新参数到最优解31
• 3.3.10 测试模型31
• 3.3.11 使用模型31
• 第4章 TensorFlow编程基础32
• 4.1 编程模型32
• 4.1.1 了解模型的运行机制33
• 4.1.2 实例5：编写hello world程序演示session的使用34
• 4.1.3 实例6：演示with session的使用35
• 4.1.4 实例7：演示注入机制35
• 4.1.5 建立session的其他方法36
• 4.1.6 实例8：使用注入机制获取节点36
• 4.1.7 指定GPU运算37
• 4.1.8 设置GPU使用资源37
• 4.1.9 保存和载入模型的方法介绍38
• 4.1.10 实例9：保存/载入线性回归模型38
• 4.1.11 实例10：分析模型内容，演示模型的其他保存方法40
• 4.1.12 检查点（Checkpoint）41
• 4.1.13 实例11：为模型添加保存检查点41
• 4.1.14 实例12：更简便地保存检查点44
• 4.1.15 模型操作常用函数总结45
• 4.1.16 TensorBoard可视化介绍45
• 4.1.17 实例13：线性回归的TensorBoard可视化46
• 4.2 TensorFlow基础类型定义及操作函数介绍48
• 4.2.1 张量及操作49
• 4.2.2 算术运算函数55
• 4.2.3 矩阵相关的运算56
• 4.2.4 复数操作函数58
• 4.2.5 规约计算59
• 4.2.6 分割60
• 4.2.7 序列比较与索引提取61
• 4.2.8 错误类62
• 4.3 共享变量62
• 4.3.1 共享变量用途62
• 4.3.2 使用get-variable获取变量63
• 4.3.3 实例14：演示get_variable和Variable的区别63
• 4.3.4 实例15：在特定的作用域下获取变量65
• 4.3.5 实例16：共享变量功能的实现66
• 4.3.6 实例17：初始化共享变量的作用域67
• 4.3.7 实例18：演示作用域与操作符的受限范围68
• 4.4 实例19：图的基本操作70
• 4.4.1 建立图70
• 4.4.2 获取张量71
• 4.4.3 获取节点操作72
• 4.4.4 获取元素列表73
• 4.4.5 获取对象73
• 4.4.6 练习题74
• 4.5 配置分布式TensorFlow74
• 4.5.1 分布式TensorFlow的角色及原理74
• 4.5.2 分布部署TensorFlow的具体方法75
• 4.5.3 实例20：使用TensorFlow实现分布式部署训练75
• 4.6 动态图（Eager）81
• 4.7 数据集（tf.data）82
• 第5章 识别图中模糊的手写数字（实例21）83
• 5.1 导入图片数据集84
• 5.1.1 MNIST数据集介绍84
• 5.1.2 下载并安装MNIST数据集85
• 5.2 分析图片的特点，定义变量87
• 5.3 构建模型87
• 5.3.1 定义学习参数87
• 5.3.2 定义输出节点88
• 5.3.3 定义反向传播的结构88
• 5.4 训练模型并输出中间状态参数89
• 5.5 测试模型90
• 5.6 保存模型91
• 5.7 读取模型92
• 第2篇 深度学习基础——神经网络
• 第6章 单个神经元96
• 6.1 神经元的拟合原理96
• 6.1.1 正向传播98
• 6.1.2 反向传播98
• 6.2 激活函数——加入非线性因素，解决线性模型缺陷99
• 6.2.1 Sigmoid函数99
• 6.2.2 Tanh函数100
• 6.2.3 ReLU函数101
• 6.2.4 Swish函数103
• 6.2.5 激活函数总结103
• 6.3 softmax算法——处理分类问题103
• 6.3.1 什么是softmax104
• 6.3.2 softmax原理104
• 6.3.3 常用的分类函数105
• 6.4 损失函数——用真实值与预测值的距离来指导模型的收敛方向105
• 6.4.1 损失函数介绍105
• 6.4.2 TensorFlow中常见的loss函数106
• 6.5 softmax算法与损失函数的综合应用108
• 6.5.1 实例22：交叉熵实验108
• 6.5.2 实例23：one_hot实验109
• 6.5.3 实例24：sparse交叉熵的使用110
• 6.5.4 实例25：计算loss值110
• 6.5.5 练习题111
• 6.6 梯度下降——让模型逼近最小偏差111
• 6.6.1 梯度下降的作用及分类111
• 6.6.2 TensorFlow中的梯度下降函数112
• 6.6.3 退化学习率——在训练的速度与精度之间找到平衡113
• 6.6.4 实例26：退化学习率的用法举例114
• 6.7 初始化学习参数115
• 6.8 单个神经元的扩展——Maxout网络116
• 6.8.1 Maxout介绍116
• 6.8.2 实例27：用Maxout网络实现MNIST分类117
• 6.9 练习题118
• 第7章 多层神经网络——解决非线性问题119
• 7.1 线性问题与非线性问题119
• 7.1.1 实例28：用线性单分逻辑回归分析肿瘤是良性还是恶性的119
• 7.1.2 实例29：用线性逻辑回归处理多分类问题123
• 7.1.3 认识非线性问题129
• 7.2 使用隐藏层解决非线性问题130
• 7.2.1 实例30：使用带隐藏层的神经网络拟合异或操作130
• 7.2.2 非线性网络的可视化及其意义133
• 7.2.3 练习题135
• 7.3 实例31：利用全连接网络将图片进行分类136
• 7.4 全连接网络训练中的优化技巧137
• 7.4.1 实例32：利用异或数据集演示过拟合问题138
• 7.4.2 正则化143
• 7.4.3 实例33：通过正则化改善过拟合情况144
• 7.4.4 实例34：通过增大数据集改善过拟合145
• 7.4.5 练习题146
• 7.4.6 dropout——训练过程中，将部分神经单元暂时丢弃146
• 7.4.7 实例35：为异或数据集模型添加dropout147
• 7.4.8 实例36：基于退化学习率dropout技术来拟合异或数据集149
• 7.4.9 全连接网络的深浅关系150
• 7.5 练习题150
• 第8章 卷积神经网络——解决参数太多问题151
• 8.1 全连接网络的局限性151
• 8.2 理解卷积神经网络152
• 8.3 网络结构153
• 8.3.1 网络结构描述153
• 8.3.2 卷积操作155
• 8.3.3 池化层157
• 8.4 卷积神经网络的相关函数158
• 8.4.1 卷积函数tf.nn.conv2d158
• 8.4.2 padding规则介绍159
• 8.4.3 实例37：卷积函数的使用160
• 8.4.4 实例38：使用卷积提取图片的轮廓165
• 8.4.5 池化函数tf.nn.max_pool（avg_pool）167
• 8.4.6 实例39：池化函数的使用167
• 8.5 使用卷积神经网络对图片分类170
• 8.5.1 CIFAR介绍171
• 8.5.2 下载CIFAR数据172
• 8.5.3 实例40：导入并显示CIFAR数据集173
• 8.5.4 实例41：显示CIFAR数据集的原始图片174
• 8.5.5 cifar10_input的其他功能176
• 8.5.6 在TensorFlow中使用queue176
• 8.5.7 实例42：协调器的用法演示178
• 8.5.8 实例43：为session中的队列加上协调器179
• 8.5.9 实例44：建立一个带有全局平均池化层的卷积神经网络180
• 8.5.10 练习题183
• 8.6 反卷积神经网络183
• 8.6.1 反卷积神经网络的应用场景184
• 8.6.2 反卷积原理184
• 8.6.3 实例45：演示反卷积的操作185
• 8.6.4 反池化原理188
• 8.6.5 实例46：演示反池化的操作189
• 8.6.6 实例47：演示gradients基本用法192
• 8.6.7 实例48：使用gradients对多个式子求多变量偏导192
• 8.6.8 实例49：演示梯度停止的实现193
• 8.7 实例50：用反卷积技术复原卷积网络各层图像195
• 8.8 善用函数封装库198
• 8.8.1 实例51：使用函数封装库重写CIFAR卷积网络198
• 8.8.2 练习题201
• 8.9 深度学习的模型训练技巧201
• 8.9.1 实例52：优化卷积核技术的演示201
• 8.9.2 实例53：多通道卷积技术的演示202
• 8.9.3 批量归一化204
• 8.9.4 实例54：为CIFAR图片分类模型添加BN207
• 8.9.5 练习题209
• 第9章 循环神经网络——具有记忆功能的网络210
• 9.1 了解RNN的工作原理210
• 9.1.1 了解人的记忆原理210
• 9.1.2 RNN网络的应用领域212
• 9.1.3 正向传播过程212
• 9.1.4 随时间反向传播213
• 9.2 简单RNN215
• 9.2.1 实例55：简单循环神经网络实现——裸写一个退位减法器215
• 9.2.2 实例56：使用RNN网络拟合回声信号序列220
• 9.3 循环神经网络（RNN）的改进225
• 9.3.1 LSTM网络介绍225
• 9.3.2 窥视孔连接（Peephole）228
• 9.3.3 带有映射输出的STMP230
• 9.3.4 基于梯度剪辑的cell230
• 9.3.5 GRU网络介绍230
• 9.3.6 Bi-RNN网络介绍231
• 9.3.7 基于神经网络的时序类分类CTC232
• 9.4 TensorFlow实战RNN233
• 9.4.1 TensorFlow中的cell类233
• 9.4.2 通过cell类构建RNN234
• 9.4.3 实例57：构建单层LSTM网络对MNIST数据集分类239
• 9.4.4 实例58：构建单层GRU网络对MNIST数据集分类240
• 9.4.5 实例59：创建动态单层RNN网络对MNIST数据集分类240
• 9.4.6 实例60：静态多层LSTM对MNIST数据集分类241
• 9.4.7 实例61：静态多层RNN-LSTM连接GRU对MNIST数据集分类242
• 9.4.8 实例62：动态多层RNN对MNIST数据集分类242
• 9.4.9 练习题243
• 9.4.10 实例63：构建单层动态双向RNN对MNIST数据集分类243
• 9.4.11 实例64：构建单层静态双向RNN对MNIST数据集分类244
• 9.4.12 实例65：构建多层双向RNN对MNIST数据集分类246
• 9.4.13 实例66：构建动态多层双向RNN对MNIST数据集分类247
• 9.4.14 初始化RNN247
• 9.4.15 优化RNN248
• 9.4.16 实例67：在GRUCell中实现LN249
• 9.4.17 CTC网络的loss——ctc_loss251
• 9.4.18 CTCdecoder254
• 9.5 实例68：利用BiRNN实现语音识别255
• 9.5.1 语音识别背景255
• 9.5.2 获取并整理样本256
• 9.5.3 训练模型265
• 9.5.4 练习题272
• 9.6 实例69：利用RNN训练语言模型273
• 9.6.1 准备样本273
• 9.6.2 构建模型275
• 9.7 语言模型的系统学习279
• 9.7.1 统计语言模型279
• 9.7.2 词向量279
• 9.7.3 word2vec281
• 9.7.4 实例70：用CBOW模型训练自己的word2vec283
• 9.7.5 实例71：使用指定侯选采样本训练word2vec293
• 9.7.6 练习题296
• 9.8 处理