导语

  

内容提要

  

    本书全面介绍TensorFlow 2.x框架及共在深度学习中的应用，内容包括TensorFlow简介、Python语言基础、环境搭建与入门、TensorBoard可视化、多层感知机实现、卷积神经网络实现、循环神经网络实现、强化学习、迁移学习、生成对抗网络和GPU并行计算等。
    本书不仅适合深度学习领域的初学者阅读，也适合有一定基础的读者深入学习。通过本书的学习，读者能够掌握TensorFlow 2.x框架的核心技术和应用方法，从而为研究和应用深度学习技术打下坚实的基础。

第1章  TensorFlow简介
  1.1  人工智能的编程框架
    1.1.1  人工智能的发展
    1.1.2  人工智能、机器学习和深度学习之间的关系
  1.2  TensorFlow与人工智能
  1.3  TensorFlow数据模型
  1.4  TensorFlow计算模型和运行模型
  1.5  实验：矩阵运算
    1.5.1  实验目的
    1.5.2  实验要求
    1.5.3  实验原理
    1.5.4  实验步骤
  习题
第2章  Python语言基础
  2.1  Python语言
    2.1.1  Python语言的发展
    2.1.2  Python安装
  2.2  基础语法
    2.2.1  基础知识
    2.2.2  基本程序编写
    2.2.3  条件语句
    2.2.4  循环语句
  2.3  数据结构
  2.4  面向对象特性
    2.4.1  类和对象
    2.4.2  类的定义
    2.4.3  根据类创建对象
    2.4.4  构造方法与析构方法
  2.5  其他高级特性
    2.5.1  函数高级特性
    2.5.2  闭包
  2.6  实验：Python基本语法的实现
    2.6.1  实验目的
    2.6.2  实验要求
    2.6.3  实验题目
    2.6.4  实验步骤
  习题
第3章  环境搭建与入门
  3.1  开发平台简介
  3.2  开发环境部署
    3.2.1  安装Anaconda
    3.2.2  安装TensorFlow
    3.2.3  PyCharm下载与安装
  3.3  一个简单的实例
  习题
第4章  TensorBoard可视化
  4.1  什么是TensorBoard
  4.2  基本流程与结构
  4.3  图表的可视化
    4.3.1  计算图和会话
    4.3.2  可视化过程
  4.4  监控指标的可视化
    4.4.1  Scalar
    4.4.2  Images
    4.4.3  Histogram
    4.4.4  Merge_all
  4.5  学习过程的可视化
    4.5.1  数据序列化
    4.5.2  启动TensorBoard
  4.6  实验：TensorBoard可视化实现
    4.6.1  实验目的
    4.6.2  实验要求
    4.6.3  实验原理
    4.6.4  实验步骤
  习题
第5章  多层感知机实现
  5.1  感知机
    5.1.1  感知机的定义
    5.1.2  感知机的神经元模型
    5.1.3  感知机的学习算法
    5.1.4  感知机的性质
  5.2  多层感知机与前向传播
    5.2.1  多层感知机基本结构
    5.2.2  多层感知机的特点
  5.3  前向传播
    5.3.1  前向传播的计算过程
    5.3.2  前向传播算法
  5.4  梯度下降
    5.4.1  梯度
    5.4.2  梯度下降的直观解释
    5.4.3  梯度下降法的相关概念
    5.4.4  梯度下降法的数学描述
    5.4.5  梯度下降法的算法调优
    5.4.6  常见的梯度下降法
  5.5  反向传播
    5.5.1  反向传播算法要解决的问题
    5.5.2  反向传播算法的基本思路
    5.5.3  反向传播算法的流程
  5.6  数据集
    5.6.1  训练集、测试集和验证集
    5.6.2  MNIST数据集
  5.7  多层感知机的实现
    5.7.1  NumPy多层感知机的实现
    5.7.2  TensorFlow多层感知机的实现
  5.8  实验：基于Keras多层感知机的MNIST手写数字识别
    5.8.1  Keras简介
    5.8.2  实验目的
    5.8.3  实验要求
    5.8.4  实验步骤
  习题
第6章  卷积神经网络实现
  6.1  CNN基本原理
  6.2  CNN的卷积操作
  6.3  CNN的池化操作
  6.4  使用简单的CNN实现手写字符识别
  6.5  AlexNet
  6.6  实验：基于VGGl6模型的图像分类实现
    6.6.1  实验目的
    6.6.2  实验要求
    6.6.3  实验原理
    6.6.4  实验步骤
  习题
第7章  循环神经网络实现
  7.1  RNN简介
    7.1.1  为什么使用RNN
    7.1.2  RNN的网络结构及原理
    7.1.3  RNN的实现
  7.2  长短时记忆网络
    7.2.1  长期依赖问题
    7.2.2  长短时记忆网络
    7.2.3  LSTM的实现
  7.3  双向RNN
    7.3.1  双向RNN的结构及原理
    7.3.2  双向RNN的实现
  7.4  深层RNN
  7.5  实验：基于LSTM的股票预测
    7.5.1  实验目的
    7.5.2  实验要求
    7.5.3  实验原理
    7.5.4  实验步骤
  习题
第8章  强化学习
  8.1  强化学习原理
  8.2  马尔可夫决策过程实现
    8.2.1  马尔可夫决策过程
    8.2.2  马尔可夫决策过程的形式化
  8.3  基于价值的强化学习方法
    8.3.1  基于价值的方法中的策略优化
    8.3.2  基于价值的方法中的策略评估
    8.3.3  Q-Learning
  8.4  Gym的简单使用
  8.5  实验：基于强化学习的小车爬山游戏
    8.5.1  实验目的
    8.5.2  实验要求
    8.5.3  实验原理
    8.5.4  实验步骤
  习题
第9章  迁移学习
  9.1  迁移学习原理
    9.1.1  什么是迁移学习
    9.1.2  迁移学习的基本概念
    9.1.3  迁移学习的基本方法
  9.2  基于模型的迁移学习方法实现
    9.2.1  导入已有的预训练模型
    9.2.2  模型的复用
    9.2.3  基于新模型的预测
  9.3  基于VGG-19的迁移学习实现
    9.3.1  VGG-19的原理
    9.3.2  基于VGG-19的迁移学习的原理及实现
  9.4  实验：基于Inception V3的迁移学习
    9.4.1  实验目的
    9.4.2  实验要求
    9.4.3  实验原理
    9.4.4  实验步骤
  习题
第10章  生成对抗网络
  10.1  GAN概述
  10.2  GAN的目标函数
  10.3  GAN的实现
  10.4  深度卷积生成对抗网络
    10.4.1  DCGAN结构图
    10.4.2  DCGAN的实现
  10.5  GAN的衍生模型
    10.5.1  基于网络结构的衍生模型
    10.5.2  基于优化方法的衍生模型
  习题
第11章  GPU并行计算
  11.1  并行计算技术
    11.1.1  单机并行计算
    11.1.2  分布式并行计算
    11.1.3  GPU并行计算技术
    11.1.4  TensorFlow与GPU
  11.2  TensorFlow加速方法
  11.3  单GPU并行加速的实现
  11.4  多GPU并行加速的实现
  11.5  实验：基于GPU的矩阵乘法
    11.5.1  安装GPU版本的TensorlFlow
    11.5.2  一个GPU程序
    11.5.3  使用GPU完成矩阵乘法
  习题