白话深度学习与TensorFlow PDF 扫描版

基本篇(1-3章)：详细介绍深度神经网络的基本要素和Tensorflow的基础详细介绍。基本原理与实践篇（4-8章）：很多的有关深度神经网络中BP、CNN及其RNN互联网等定义的数学知识分析，多方面更质朴的語言与相对，促使非数学专业的程序猿還是可以很容易看懂。拓展篇（9-13章）：详细介绍增加的深度神经网络互联网变异与较新的深度神经网络特点，并得出趣味的深度神经网络运用。念完这书，基础具有了构建整套Tensorflow应用场景的工作能力，把握深度学习算法和构思，及其开展通常的文本归类、声频归类或视频分类的工作能力。

目录

• 本书赞誉
• 序
• 前　言
• 基　础　篇
• 第1章　机器学习是什么 2
• 1.1　聚类 4
• 1.2　回归 5
• 1.3　分类 8
• 1.4　综合应用 10
• 1.5　小结 14
• 第2章　深度学习是什么 15
• 2.1　神经网络是什么 15
• 2.1.1　神经元 16
• 2.1.2　激励函数 19
• 2.1.3　神经网络 24
• 2.2　深度神经网络 25
• 2.3　深度学习为什么这么强 28
• 2.3.1　不用再提取特征 28
• 2.3.2　处理线性不可分 29
• 2.4　深度学习应用 30
• 2.4.1　围棋机器人——AlphaGo 30
• 2.4.2　被教坏的少女——Tai.ai 32
• 2.4.3　本田公司的大宝贝——
• ASIMO 33
• 2.5　小结 37
• 第3章　TensorFlow框架特性与安装 38
• 3.1　简介 38
• 3.2　与其他框架的对比 39
• 3.3　其他特点 40
• 3.4　如何选择好的框架 44
• 3.5　安装TensorFlow 45
• 3.6　小结 46
• 原理与实践篇
• 第4章　前馈神经网络 50
• 4.1　网络结构 50
• 4.2　线性回归的训练 51
• 4.3　神经网络的训练 75
• 4.4　小结 79
• 第5章　手写板功能 81
• 5.1　MNIST介绍 81
• 5.2　使用TensorFlow完成实验 86
• 5.3　神经网络为什么那么强 92
• 5.3.1　处理线性不可分 93
• 5.3.2　挑战“与或非” 95
• 5.3.3　丰富的VC——强大的空间
• 划分能力 98
• 5.4　验证集、测试集与防止过拟合 99
• 5.5　小结 102
• 第6章　卷积神经网络 103
• 6.1　与全连接网络的对比 103
• 6.2　卷积是什么 104
• 6.3　卷积核 106
• 6.4　卷积层其他参数 108
• 6.5　池化层 109
• 6.6　典型CNN网络 110
• 6.7　图片识别 114
• 6.8　输出层激励函数——SOFTMAX 116
• 6.8.1　SOFTMAX 116
• 6.8.2　交叉熵 117
• 6.9　小试牛刀——卷积网络做图片分类 124
• 6.10　小结 138
• 第7章　综合问题 139
• 7.1　并行计算 139
• 7.2　随机梯度下降 142
• 7.3　梯度消失问题 144
• 7.4　归一化 147
• 7.5　参数初始化问题 149
• 7.6　正则化 151
• 7.7　其他超参数 155
• 7.8　不唯一的模型 156
• 7.9　DropOut 157
• 7.10　小结 158
• 第8章　循环神经网络 159
• 8.1　隐马尔可夫模型 159
• 8.2　RNN和BPTT算法 163
• 8.2.1　结构 163
• 8.2.2　训练过程 163
• 8.2.3　艰难的误差传递 165
• 8.3　LSTM算法 167
• 8.4　应用场景 171
• 8.5　实践案例——自动文本生成 174
• 8.5.1　RNN工程代码解读 174
• 8.5.2　利用RNN学习莎士比亚剧本 183
• 8.5.3　利用RNN学习维基百科 184
• 8.6　实践案例——聊天机器人 185
• 8.7　小结 196
• 扩　展　篇
• 第9章　深度残差网络 198
• 9.1　应用场景 198
• 9.2　结构解释与数学推导 200
• 9.3　拓扑解释 205
• 9.4　Github示例 207
• 9.5　小结 207
• 第10章　受限玻尔兹曼机 209
• 10.1　结构 209
• 10.2　逻辑回归 210
• 10.3　最大似然度 212
• 10.4　最大似然度示例 214
• 10.5　损失函数 215
• 10.6　应用场景 216
• 10.7　小结 216
• 第11章　强化学习 217
• 11.1　模型核心 218
• 11.2　马尔可夫决策过程 219
• 11.2.1　用游戏开刀 221
• 11.2.2　准备工作 223
• 11.2.3　训练过程 224
• 11.2.4　问题 226
• 11.2.5　Q-Learning算法 228
• 11.3　深度学习中的Q-Learning——DQN 231
• 11.3.1　OpenAI Gym 234
• 11.3.2　Atari游戏 237
• 11.4　小结 238
• 第12章　对抗学习 239
• 12.1　目的 239
• 12.2　训练模式 240
• 12.2.1　二元极小极大博弈 240
• 12.2.2　训练 242
• 12.3　CGAN 244
• 12.4　DCGAN 247
• 12.5　小结 252
• 第13章　有趣的深度学习应用 254
• 13.1　人脸识别 254
• 13.2　作诗姬 259
• 13.3　梵高附体 264
• 13.3.1　网络结构 265
• 13.3.2　内容损失 268
• 13.3.3　风格损失 270
• 13.3.4　系数比例 271
• 13.3.5　代码分析 272
• 13.4　小结 279
• 附录A　VMware Workstation的安装 280
• 附录B　Ubuntu虚拟机的安装 284
• 附录C　Python语言简介 290
• 附录D　安装Theano 296
• 附录E　安装Keras 297
• 附录F　安装CUDA 298
• 参考文献 303