TensorFlow：實戰(zhàn)Google深度學(xué)習(xí)框架（第2版）

第1章 深度學(xué)習(xí)簡介
1.1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)
1.2 深度學(xué)習(xí)的發(fā)展歷程
1.3 深度學(xué)習(xí)的應(yīng)用
1.3.1 計算機(jī)視覺
1.3.2 語音識別
1.3.3 自然語言處理
1.3.4 人機(jī)博弈
1.4 深度學(xué)習(xí)工具介紹和對比
小結(jié)
第2章 TensorFlow環(huán)境搭建
2.1 TensorFlow的主要依賴包
2.1.1 Protocol Buffer
2.1.2 Bazel
2.2 TensorFlow安裝
2.2.1 使用Docker安裝
2.2.2 使用pip安裝
2.2.3 從源代碼編譯安裝
2.3 TensorFlow測試樣例
小結(jié)
第3章 TensorFlow入門
3.1 TensorFlow計算模型——計算圖
3.1.1 計算圖的概念
3.1.2 計算圖的使用
3.2 TensorFlow數(shù)據(jù)模型——張量
3.2.1 張量的概念
3.2.2 張量的使用
3.3 TensorFlow運(yùn)行模型——會話
3.4 TensorFlow實現(xiàn)神經(jīng)網(wǎng)絡(luò)
3.4.1 TensorFlow游樂場及神經(jīng)網(wǎng)絡(luò)簡介
3.4.2 前向傳播算法簡介
3.4.3 神經(jīng)網(wǎng)絡(luò)參數(shù)與TensorFlow變量
3.4.4 通過TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型
3.4.5 完整神經(jīng)網(wǎng)絡(luò)樣例程序
小結(jié)
第4章 深層神經(jīng)網(wǎng)絡(luò)
4.1 深度學(xué)習(xí)與深層神經(jīng)網(wǎng)絡(luò)
4.1.1 線性模型的局限性
4.1.2 激活函數(shù)實現(xiàn)去線性化
4.1.3 多層網(wǎng)絡(luò)解決異或運(yùn)算
4.2 損失函數(shù)定義
4.2.1 經(jīng)典損失函數(shù)
4.2.2 自定義損失函數(shù)
4.3 神經(jīng)網(wǎng)絡(luò)優(yōu)化算法
4.4 神經(jīng)網(wǎng)絡(luò)進(jìn)一步優(yōu)化
4.4.1 學(xué)習(xí)率的設(shè)置
4.4.2 過擬合問題
4.4.3 滑動平均模型
小結(jié)
第5章 MNIST數(shù)字識別問題
5.1 MNIST數(shù)據(jù)處理
5.2 神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及不同模型結(jié)果對比
5.2.1 TensorFlow訓(xùn)練神經(jīng)網(wǎng)絡(luò)
5.2.2 使用驗證數(shù)據(jù)集判斷模型效果
5.2.3 不同模型效果比較
5.3 變量管理
5.4 TensorFlow模型持久化
5.4.1 持久化代碼實現(xiàn)
5.4.2 持久化原理及數(shù)據(jù)格式
5.5 TensorFlow最佳實踐樣例程序
小結(jié)
第6章 圖像識別與卷積神經(jīng)網(wǎng)絡(luò)
6.1 圖像識別問題簡介及經(jīng)典數(shù)據(jù)集
6.2 卷積神經(jīng)網(wǎng)絡(luò)簡介
6.3 卷積神經(jīng)網(wǎng)絡(luò)常用結(jié)構(gòu)
6.3.1 卷積層
6.3.2 池化層
6.4 經(jīng)典卷積網(wǎng)絡(luò)模型
6.4.1 LeNet-5模型
6.4.2 Inception-v3模型
6.5 卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)
6.5.1 遷移學(xué)習(xí)介紹
6.5.2 TensorFlow實現(xiàn)遷移學(xué)習(xí)
小結(jié)
第7章 圖像數(shù)據(jù)處理
7.1 TFRecord輸入數(shù)據(jù)格式
7.1.1 TFRecord格式介紹
7.1.2 TFRecord樣例程序
7.2 圖像數(shù)據(jù)處理
7.2.1 TensorFlow圖像處理函數(shù)
7.2.2 圖像預(yù)處理完整樣例
7.3 多線程輸入數(shù)據(jù)處理框架
7.3.1 隊列與多線程
7.3.2 輸入文件隊列
7.3.3 組合訓(xùn)練數(shù)據(jù)（batching）
7.3.4 輸入數(shù)據(jù)處理框架
7.4 數(shù)據(jù)集（Dataset）
7.4.1 數(shù)據(jù)集的基本使用方法
7.4.2 數(shù)據(jù)集的高層操作
小結(jié)
第8章 循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1 循環(huán)神經(jīng)網(wǎng)絡(luò)簡介
8.2 長短時記憶網(wǎng)絡(luò)（LSTM）結(jié)構(gòu)
8.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的變種
8.3.1 雙向循環(huán)神經(jīng)網(wǎng)絡(luò)和深層循環(huán)神經(jīng)網(wǎng)絡(luò)
8.3.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的dropout
8.4 循環(huán)神經(jīng)網(wǎng)絡(luò)樣例應(yīng)用
小結(jié)
第9章 自然語言處理
9.1 語言模型的背景知識
9.1.1 語言模型簡介
9.1.2 語言模型的評價方法
9.2 神經(jīng)語言模型
9.2.1 PTB數(shù)據(jù)集的預(yù)處理
9.2.2 PTB數(shù)據(jù)的batching方法
9.2.3 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的神經(jīng)語言模型
9.3 神經(jīng)網(wǎng)絡(luò)機(jī)器翻譯
9.3.1 機(jī)器翻譯背景與Seq2Seq模型介紹
9.3.2 機(jī)器翻譯文本數(shù)據(jù)的預(yù)處理
9.3.3 Seq2Seq模型的代碼實現(xiàn)
9.3.4 注意力機(jī)制
小結(jié)
第10章 TensorFlow高層封裝
10.1 TensorFlow高層封裝總覽
10.2 Keras介紹
10.2.1 Keras基本用法
10.2.2 Keras高級用法
10.3 Estimator介紹
10.3.1 Estimator基本用法
10.3.2 Estimator自定義模型
10.3.3 使用數(shù)據(jù)集（Dataset）作為Estimator輸入
小結(jié)
第11章 TensorBoard可視化
11.1 TensorBoard簡介
11.2 TensorFlow計算圖可視化
11.2.1 命名空間與TensorBoard圖上節(jié)點(diǎn)
11.2.2 節(jié)點(diǎn)信息
11.3 監(jiān)控指標(biāo)可視化
11.4 高維向量可視化
小結(jié)
第12章 TensorFlow計算加速
12.1 TensorFlow使用GPU
12.2 深度學(xué)習(xí)訓(xùn)練并行模式
12.3 多GPU并行
12.4 分布式TensorFlow
12.4.1 分布式TensorFlow原理
12.4.2 分布式TensorFlow模型訓(xùn)練
小結(jié)