编辑推荐

《深度学习与TensorFlow应用实践》22章讲解：类库安装使用、数据结构、数据集、人工神经网络等多方面知识。

内容简介

本书内容分为22章，包括Python类库的安装和使用、TensorFlow基本数据结构和使用、TensorFlow数据集的创建与读取、人工神经网络介绍、反馈神经网络的理论基础，深度学习模型的创建以及相关特性介绍等内容，并在本书各个模型部分特别介绍了模型调参的初步知识。本书强调理论联系实际，着重介绍了TensorFlow编程解决图像识别的应用，提供了大量数据集供读者使用，也以代码的形式实现了深度学习模型实供读者参考。

章节目录

封面页

书名页

版权页

作者简介

内容简介

推荐序

再版自序——新的起点

前言

目录

第1章　星星之火

1.1　计算机视觉与深度学习

1.1.1　人类视觉神经的启迪

1.1.2　计算机视觉的难点与人工神经网络

1.1.3　应用深度学习解决计算机视觉问题

1.2　计算机视觉学习的基础与研究方向

1.2.1　学习计算机视觉结构图

1.2.2　计算机视觉的学习方式和未来趋势

1.3　本章小结

第2章　Python的安装与使用

2.1　Python基本安装和用法

2.1.1　Anaconda的下载与安装

2.1.2　Python编译器PyCharm的安装

2.1.3　使用Python计算softmax函数

2.2　Python常用类库threading

2.2.1　threading库的使用

2.2.2　threading模块中最重要的Thread类

2.2.3　threading中Lock类

2.2.4　threading中join类

2.3　本章小结

第3章　深度学习的理论基础——机器学习

3.1　机器学习基本分类

3.1.1　应用学科的分类

3.1.2　学习模式的分类

3.1.3　应用领域的分类

3.2　机器学习基本算法

3.2.1　机器学习的算法流程

3.2.2　基本算法的分类

3.3　算法的理论基础

3.3.1　小学生的故事——求圆的面积

3.3.2　机器学习基础理论——函数逼近

3.4　回归算法

3.4.1　函数逼近经典算法——线性回归算法

3.4.2　线性回归的姐妹——逻辑回归

3.5　本章小结

第4章　Python类库的使用——数据处理及可视化展示

4.1　从小例子起步——NumPy的初步使用

4.1.1　数据的矩阵化

4.1.2　数据分析

4.1.3　基于统计分析的数据处理

4.2　图形化数据处理——Matplotlib包使用

4.2.1　差异的可视化

4.2.2　坐标图的展示

4.2.3　玩个大的

4.3　深度学习理论方法——相似度计算

4.3.1　基于欧几里得距离的相似度计算

4.3.2　基于余弦角度的相似度计算

4.3.3　欧几里得相似度与余弦相似度的比较

4.4　数据的统计学可视化展示

4.4.1　数据的四分位

4.4.2　数据的四分位示例

4.4.3　数据的标准化

4.4.4　数据的平行化处理

4.4.5　热点图-属性相关性检测

4.5　Python实战——某地降雨的关系处理

4.5.1　不同年份的相同月份统计

4.5.2　不同月份之间的增减程度比较

4.5.3　每月降雨不相关吗

4.6　本章小结

第5章　 OpenCV的基础使用

5.1　OpenCV基本的图片读取

5.1.1　基本的图片存储格式

5.1.2　图像的读取与存储

5.1.3　图像的转换

5.1.4　使用NumPy模块对图像进行编辑

5.2　OpenCV的卷积核处理

5.2.1　计算机视觉的三种不同色彩空间

5.2.2　卷积核与图像特征提取

5.2.3　卷积核进阶

5.3　本章小结

第6章　OpenCV与TensorFlow的融合

6.1　图片的自由缩放以及边缘裁剪

6.1.1　图像的扩缩裁挖

6.1.2　图像色调的调整

6.1.3　图像的旋转、平移和翻转

6.2　使用OpenCV扩大图像数据库

6.2.1　图像的随机裁剪

6.2.2　图像的随机旋转变换

6.2.3　图像色彩的随机变换

6.2.4　对鼠标的监控

6.3　本章小结

第7章　Let’s play TensorFlow

7.1　TensorFlow游乐场

7.1.1　I want to play a game

7.1.2　TensorFlow游乐场背后的故事

7.1.3　如何训练神经网络

7.2　Hello TensorFlow

7.2.1　TensorFlow名称的解释

7.2.2　TensorFlow基本概念

7.3　本章小结

第8章　Hello TensorFlow，从0到1

8.1　TensorFlow的安装

8.2.1　检测Anaconda中的TensorFlow版本

8.2.2　TensorFlow 2.0 GPU版本基础显卡推荐和前置软件安装

8.2.3　第一个Hello TensorFlow小程序

8.2　TensorFlow常量、变量和数据类型

8.3　TensorFlow矩阵计算

8.4　Hello TensorFlow

8.5　本章小结

第9章　TensorFlow重要算法基础

9.1　BP神经网络简介

9.2　BP神经网络两个基础算法详解

9.2.1　最小二乘法（LS算法）详解

9.2.2　道士下山的故事——梯度下降算法

9.3　反馈神经网络反向传播算法介绍

9.3.1　深度学习基础

9.3.2　链式求导法则

9.3.3　反馈神经网络原理与公式推导

9.3.4　反馈神经网络原理的激活函数

9.3.5　反馈神经网络原理的Python实现

9.4　本章小结

第10章　Hello TensorFlow & Keras

10.1　MODEL！MODEL！还是MODEL

10.2　使用Keras API实现鸢尾花分类的例子（顺序模式）

10.2.1　数据的准备

10.2.2　数据的处理

10.2.3　梯度更新函数的写法

10.3　使用Keras函数式编程实现鸢尾花分类的例子（重点）

10.4　使用保存的Keras模式对模型进行复用

10.5　使用TensorFlow 2.0标准化编译对Iris模型进行拟合

10.6　多输入单输出TensorFlow 2.0编译方法（选学）

10.7　多输入多输出TensorFlow 2.0编译方法（选学）

10.8　全连接层详解

10.8.1　全连接层的定义与实现

10.8.2　使用TensorFlow 2.0自带的API实现全连接层

10.8.3　打印显示TensorFlow 2.0设计的Model结构和参数

10.9　本章小结

第11章　卷积层详解与MNIST实战

11.1　卷积运算基本概念

11.1.1　卷积运算

11.1.2　TensorFlow 2.0中卷积函数实现详解

11.1.3　池化运算

11.1.4　softmax激活函数

11.1.5　卷积神经网络原理

11.2　TensorFlow 2.0编程实战：MNIST手写体识别

11.2.1　MNIST数据集

11.2.2　MNIST数据集特征和标签介绍

11.2.3　TensorFlow 2.0编程实战MNIST数据集

11.2.4　使用自定义的卷积层实现MNIST识别

11.3　本章小结

第12章　卷积神经网络公式推导与应用

12.1　反馈神经网络算法

12.1.1　经典反馈神经网络正向与反向传播公式推导

12.1.2　卷积神经网络正向与反向传播公式推导

12.2　使用卷积神经网络分辨CIFAR-10数据集

12.2.1　CIFAR-10数据集下载与介绍

12.2.2　CIFAR-10模型的构建与数据处理

12.2.3　CIFAR-10模型的细节描述与参数重构

12.3　本章小结

第13章　TensorFlow Datasets和TensorBoard详解

13.1　TensorFlow Datasets简介

13.2　Datasets数据集的基本使用

13.3　Datasets数据集的使用——Fashion-MNIST

13.3.1　Fashion-MNIST数据集下载与展示

13.3.2　模型的建立与训练

13.4　使用Keras对Fashion-MNIST数据集进行处理

13.5　使用TensorBoard可视化训练过程

13.5.1　TensorBoard文件夹的设置

13.5.2　TensorBoard的显式调用

13.5.3　TensorBoard的使用

13.6　本章小结

第14章　从冠军开始：ResNet

14.1　ResNet基础原理与程序设计基础

14.1.1　ResNet诞生的背景

14.1.2　模块工具的TensorFlow实现——不要重复造轮子

14.1.3　TensorFlow高级模块layers用法简介

14.2　ResNet实战CIFAR-100数据集分类

14.2.1　CIFAR-100数据集简介

14.2.2　ResNet残差模块的实现

14.2.3　ResNet网络的实现

14.2.4　使用ResNet对CIFAR-100进行分类

14.3　ResNet的兄弟——ResNeXt

14.3.1　ResNeXt诞生的背景

14.3.2　ResNeXt残差模块的实现

14.3.3　ResNeXt网络的实现

14.3.4　ResNeXt和ResNet的比较

14.4　本章小结

第15章　Attention is all we need

15.1　简单的理解注意力机制

15.1.1　何为注意力

15.1.2　hard or soft——注意力机制的两种常见形式

15.1.3　Spatial and Channel——注意力机制的两种实现形式

15.2　SENet or CBAM注意力机制的经典模型

15.2.1　最后的冠军——SENet

15.2.2　结合了Spatial and Channel的CBAM模型

15.2.3　注意力的前沿研究——基于细粒度的图像注意力机制

15.3　本章小结

第16章　开始找工作吧——深度学习常用面试问题答疑

16.1　深度学习面试常用问题答疑

16.1.1　如何降低过拟合（Overfitting）

16.1.2　全连接层详解

16.1.3　激活函数起作用的原因

16.1.4　卷积后的图像大小

16.1.5　池化层的作用

16.1.6　为什么在最后分类时使用softmax而不是传统的SVM

16.2　卷积神经网络调优面试问答汇总

16.2.1　数据集的注意事项

16.2.2　卷积模型训练的注意事项

16.3　NIN模型介绍

16.3.1　NIN（Network In Network）模型简介

16.3.2　猫狗大战——NIN的代码实现

16.4　deeper is better——GoogLeNet模型介绍

16.4.1　GoogLeNet模型的介绍

16.4.2　GoogLeNet模型单元的TensorFlow实现

16.4.3　GoogLeNet模型一些注意事项

16.5　本章小结

第17章　不服就是GAN——对抗生成网络

17.1　一个悲惨的故事

17.2　GAN基本原理简介

17.3　GAN实战——手写体数字的生成

17.3.1　MNIST数据集和GAN模型实现

17.3.2　训练参数的定义和实现

17.4　本章小结

第18章　未来的趋势——图卷积神经网络初步

18.1　图卷积神经网络的诞生背景

18.1.1　图卷积基本原理介绍

18.1.2　图卷积基本原理和公式介绍

18.1.3　图卷积需要的基本概念

18.2　实战图卷积神经网络

18.2.1　cora数据集简介

18.2.2　图卷积模型的建立

18.3　本章小结

TensorFlow2.0深度学习应用实践是2020年由清华大学出版社出版,作者王晓华。

得书感谢您对《TensorFlow2.0深度学习应用实践》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。