随着人工智能技术的发展,深度学习成为*受关注的领域之一。在深度学习的诸多开发框架中, TensorFlow 是*受欢迎的开发框架。 本书以培养人工智能编程思维和技能为核心,以工作过程为导向,采用任务驱动的方式组织内容。全 书共分为8 个任务,任务1 介绍深度学习的发展历程、应用领域以及开发环境的搭建过程;任务2 介绍 TensorFlow 框架的基本原理、计算图、会话、张量等概念;任务3 和任务4 阐述全连接神经网络模型、神 经网络优化方法及反向传播算法;任务5 和任务6 讨论卷积神经网络、卷积、池化的原理;任务7 和任务8 演示网络模型可视化操作步骤及制作与解析数据集的方法。 本书既可作为大数据、人工智能等相关专业应用型人才的教学用书,也可以作为TensorFlow 初学者的 学习参考书。

任务1 深度学习简介与开发环境搭建 // 1 1.1 深度学习的发展及应用 // 1 1.1.1 深度学习的发展历程 // 1 1.1.2 深度学习的应用领域 // 4 1.2 深度学习框架简介 // 7 1.2.1 TensorFlow // 7 1.2.2 Caffe // 8 1.2.3 PyTorch // 8 1.2.4 MXNet // 8 1.2.5 不同框架的对比 // 9 1.3 开发环境搭建 // 9 1.3.1 Windows 环境下的安装配置 // 9 1.3.2 Linux 环境下的安装配置 // 20 1.4 本章小结 // 25 1.5 本章习题 // 26 任务2 构建二维数据拟合模型 // 28 2.1 TensorFlow 运行机制 // 28 2.1.1 TensorFlow 系统架构 // 29 2.1.2 构建计算图 // 30 2.1.3 在会话中运行计算图 // 31 2.1.4 指定GPU 设备 // 34 2.2 TensorFlow 数据模型 // 35 2.2.1 张量及属性 // 35 2.2.2 类型转换 // 38 2.2.3 形状变换 // 39 2.3 变量的定义与使用 // 40 2.3.1 变量的定义与初始化 // 40 2.3.2 随机初始化变量 // 41 2.3.3 获取变量 // 42 2.3.4 共享变量 // 43 2.4 占位符与数据喂入机制 // 44 2.4.1 占位符定义 // 44 2.4.2 数据喂入 // 45 2.5 模型的保存与恢复 // 45 2.5.1 模型保存 // 45 2.5.2 模型恢复 // 47 2.6 构建二维数据拟合模型 // 48 2.6.1 准备数据 // 48 2.6.2 搭建模型 // 49 2.6.3 反向传播 // 49 2.6.4 迭代训练 // 50 2.6.5 使用模型 // 51 2.7 本章小结 // 51 2.8 本章习题 // 52 任务3 构建泰坦尼克号生还率模型 // 55 3.1 M-P 神经元拟合原理 // 55 3.1.1 M-P 神经元模型 // 55 3.1.2 训练神经元 // 58 3.2 激活函数实现神经元非线化 // 59 3.2.1 激活函数的作用 // 59 3.2.2 Sigmoid 激活函数 // 59 3.2.3 Tanh 激活函数 // 61 3.2.4 Relu 激活函数 // 62 3.3 BP 神经网络模型 // 63 3.3.1 BP 神经网络结构 // 64 3.3.2 神经网络向前传输推导 // 65 3.3.3 神经网络向前传输实践 // 67 3.3.4 构建BP 神经网络模型 // 68 3.4 损失函数调整误差 // 71 3.4.1 交叉熵损失函数 // 71 3.4.2 均方误差损失函数 // 72 3.5 梯度下降 // 72 3.5.1 梯度下降的作用及常用方法 // 72 3.5.2 梯度下降使模型*小偏差实践 // 74 3.6 模型优化 // 75 3.6.1 学习率控制参数更新速度 // 75 3.6.2 正则化减少过拟合现象 // 76 3.7 构建泰坦尼克号生还率模型 // 80 3.7.1 数据读取及预处理 // 80 3.7.2 搭建向前传输过程 // 82 3.7.3 迭代训练 // 82 3.8 本章小结 // 83 3.9 本章习题 // 83 任务4 构建手写字识别模型 // 86 4.1 MNIST 数据集 // 86 4.1.1 MNIST 数据集简介 // 86 4.1.2 下载MNIST 数据集 // 88 4.1.3 图像的矩阵表示 // 89 4.1.4 标签的独热表示 // 90 4.2 构建识别MNIST 模型 // 91 4.2.1 MNIST 手写字模型简介 // 91 4.2.2 定义模型节点参数 // 92 4.2.3 网络向前传输过程 // 93 4.2.4 网络参数优化 // 94 4.2.5 训练并保存模型 // 95 4.3 模型验证 // 96 4.3.1 验证集验证模型 // 96 4.3.2 识别��定义图片 // 97 4.4 本章小结 // 100 4.5 本章习题 // 100 任务5 LeNet-5 模型识别手写字 // 102 5.1 卷积神经网络结构特征 // 102 5.1.1 卷积神经网络简介 // 102 5.1.2 卷积物理含义 // 104 5.1.3 网络结构特征 // 106 5.2 卷积神经网络函数 // 108 5.2.1 卷积操作 // 108 5.2.2 池化操作 // 112 5.2.3 DropOut 机制 // 116 5.3 卷积**操作 // 118 5.3.1 多通道卷积 // 118 5.3.2 多卷积核 // 120 5.3.3 反卷积 // 122 5.4 LeNet-5 识别手写字 // 124 5.4.1 LeNet-5 模型简介 // 124 5.4.2 构建向前传输模型 // 125 5.4.3 优化模型 // 128 5.4.4 训练保存模型 // 130 5.4.5 验证模型 // 131 5.5 本章小结 // 132 5.6 本章习题 // 133 任务6 打造CIFAR-10 图像识别模型 // 136 6.1 CIFAR-10 数据集简介 // 136 6.1.1 CIFAR-10 数据集简介 // 136 6.1.2 下载CIFAR-10 数据集 // 137 6.2 读取CIFAR-10 数据 // 138 6.2.1 读取并显示图片 // 138 6.2.2 将标签表示成独热 // 139 6.3 数据增强 // 140 6.3.1 图像几何变换 // 140 6.3.2 图像色彩调整 // 144 6.3.3 图像的标准化 // 146 6.3.4 图像标注 // 147 6.4 构建CIFAR-10 图像识别模型 // 149 6.4.1 数据批量读取 // 149 6.4.2 模型构建 // 150 6.4.3 训练并预测 // 154 6.5 ImageNet 图像识别模型 // 155 6.5.1 ImageNet 数据集简介 // 155 6.5.2 历代ImageNet 识别模型 // 156 6.6 本章小结 // 158 6.7 本章习题 // 158 任务7 可视化性别识别模型 // 160 7.1 在程序中使用TensorBoard // 160 7.1.1 TensorBoard 基本介绍 // 160 7.1.2 TensorBoard 使用步骤 // 161 7.2 TensorBoard 可视化 // 163 7.2.1 标量与直方图可视化 // 163 7.2.2 卷积过程可视化 // 167 7.2.3 训练过程可视化 // 171 7.3 可视化性别识别模型 // 174 7.3.1 模型简介 // 174 7.3.2 读取数据集 // 175 7.3.3 训练模型 // 176 7.3.4 可视化模型 // 179 7.4 本章小结 // 180 7.5 本章习题 // 180 任务8 理解tf.data 数据处理框架 // 182 8.1 Dataset 的基本机制 // 182 8.1.1 Dataset 数据处理框架 // 182 8.1.2 创建Dataset // 183 8.2 Iterator 迭代数据集 // 184 8.2.1 单次迭代器 // 184 8.2.2 可初始化迭代器 // 185 8.2.3 可重新初始化迭代器 // 186 8.2.4 可馈送迭代器 // 187 8.3 Dataset 数据批处理 // 188 8.3.1 直接批处理 // 188 8.3.2 预处理后批处理 // 189 8.4 Dataset 数据集构建与解析 // 190 8.4.1 数据集预处理 // 190 8.4.2 构建TFRecordDataset 数据集 // 191 8.4.3 从tf.train.Example 中解析数据 // 192 8.5 本章小结 // 193 8.6 本章习题 // 194 附录人工智能数学基础 // 196