TensorFlow深度学习应用实践PDF|Epub|txt|kindle电子书版本网盘下载

TensorFlow深度学习应用实践PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 星星之火1

1.1计算机视觉与深度学习1

1.1.1人类视觉神经的启迪2

1.1.2计算机视觉的难点与人工神经网络3

1.1.3应用深度学习解决计算机视觉问题4

1.2计算机视觉学习的基础与研究方向5

1.2.1学习计算机视觉结构图5

1.2.2计算机视觉的学习方式和未来趋势6

1.3本章小结7

第2章Python的安装与使用8

2.1 Python基本安装和用法8

2.1.1 Anaconda的下载与安装9

2.1.2 Python编译器PyCharm的安装12

2.1.3使用Python计算softmax函数16

2.2 Python常用类库中的threading17

2.2.1 threading库的使用18

2.2.2 threading模块中最重要的Thread类18

2.2.3 threading中的Lock类19

2.2.4 threading中的join类20

2.3本章小结21

第3章 深度学习的理论基础——机器学习22

3.1机器学习基本分类22

3.1.1基于学科的分类22

3.1.2基于学习模式的分类23

3.1.3基于应用领域的分类23

3.2机器学习基本算法24

3.2.1机器学习的算法流程24

3.2.2基本算法的分类25

3.3算法的理论基础26

3.3.1小学生的故事——求圆的面积27

3.3.2机器学习基础理论——函数逼近27

3.4回归算法29

3.4.1函数逼近经典算法——线性回归29

3.4.2线性回归的姐妹——逻辑回归31

3.5机器学习的其他算法——决策树32

3.5.1水晶球的秘密32

3.5.2决策树的算法基础——信息熵33

3.5.3决策树的算法基础——ID3算法34

3.6本章小结35

第4章Python类库的使用——数据处理及可视化展示37

4.1从小例子起步——NumPy的初步使用37

4.1.1数据的矩阵化37

4.1.2数据分析39

4.1.3基于统计分析的数据处理40

4.2图形化数据处理——Matplotlib包使用41

4.2.1差异的可视化41

4.2.2坐标图的展示42

4.2.3玩个大的44

4.3深度学习理论方法——相似度计算46

4.3.1基于欧几里得距离的相似度计算46

4.3.2基于余弦角度的相似度计算47

4.3.3欧几里得相似度与余弦相似度的比较48

4.4数据的统计学可视化展示49

4.4.1数据的四分位49

4.4.2数据的四分位示例50

4.4.3数据的标准化53

4.4.4数据的平行化处理55

4.4.5热点图——属性相关性检测57

4.5 Python实战——某地降水的关系处理58

4.5.1不同年份的相同月份统计58

4.5.2不同月份之间的增减程度比较59

4.5.3每月降水不相关吗60

4.6本章小结61

第5章OpenCV的基础使用62

5.1 OpenCV基本的图片读取62

5.1.1基本的图片存储格式62

5.1.2图像的读取与存储64

5.1.3图像的转换65

5.1.4使用NumPy模块对图像进行编辑66

5.2 OpenCV的卷积核处理68

5.2.1计算机视觉的三种不同色彩空间68

5.2.2卷积核与图像特征提取68

5.2.3卷积核进阶70

5.3本章小结72

第6章OpenCV与TensorFlow的融合73

6.1图片的自由缩放以及边缘裁剪73

6.1.1图像的扩缩裁挖73

6.1.2图像色调的调整74

6.1.3图像的旋转、平移和翻转76

6.2使用OpenCV扩大图像数据库77

6.2.1图像的随机裁剪77

6.2.2图像的随机旋转变换78

6.2.3图像色彩的随机变换79

6.2.4对鼠标的监控80

6.3本章小结81

第7章Let’s play TensorFlow82

7.1 TensorFlow游乐场82

7.1.1 I want to play a game82

7.1.2 TensorFlow游乐场背后的故事86

7.1.3如何训练神经网络88

7.2初识Hello TensorFlow89

7.2.1 TensorFlow名称的解释89

7.2.2 TensorFlow基本概念89

7.2.3 TensorFlow基本架构92

7.3本章小结93

第8章Hello TensorFlow，从0到194

8.1 TensorFlow的安装94

8.2 TensorFlow常量、变量和数据类型96

8.3 TensorFlow矩阵计算100

8.4 Hello TensorFlow102

8.5本章小结107

第9章TensorFlow重要算法基础108

9.1 BP神经网络简介108

9.2 BP神经网络中的两个基础算法110

9.2.1最小二乘法（LS算法）详解111

9.2.2道士下山的故事——梯度下降算法113

9.3 TensorFlow实战——房屋价格的计算116

9.3.1数据收集117

9.3.2模型的建立与计算117

9.3.3 TensorFlow程序设计119

9.4反馈神经网络反向传播算法121

9.4.1深度学习基础121

9.4.2链式求导法则122

9.4.3反馈神经网络原理与公式推导124

9.4.4反馈神经网络原理的激活函数129

9.4.5反馈神经网络原理的Python实现130

9.5本章小结136

第10章TensorFlow数据的生成与读取详解137

10.1 TensorFlow的队列137

10.1.1队列的创建137

10.1.2线程同步与停止141

10.1.3队列中数据的读取142

10.2 CSV文件的创建与读取143

10.2.1 CSV文件的创建143

10.2.2 CSV文件的读取144

10.3 TensorFlow文件的创建与读取146

10.3.1 TFRecords文件的创建146

10.3.2 TFRecords文件的读取149

10.3.3图片文件的创建与读取150

10.4本章小结155

第11章 回归分析——从TensorFlow陷阱与细节开始156

11.1 TensorFlow线性回归156

11.1.1线性回归详解与编程实战157

11.1.2线性回归编程中的陷阱与细节设计159

11.1.3 TensorFlow多元线性回归163

11.2多元线性回归实战编程166

11.2.1多元线性回归实战的编程——房屋价格计算166

11.2.2多元线性回归实战的推广——数据的矩阵化168

11.3逻辑回归详解174

11.3.1逻辑回归不是回归算法174

11.3.2常用的逻辑回归特征变化与结果转换175

11.3.3逻辑回归的损失函数176

11.3.4逻辑回归编程实战——胃癌的转移判断178

11.4本章小结181

第12章TensorFlow编程实战——MNIST手写体识别183

12.1 MNIST数据集183

12.1.1 MNIST是什么183

12.1.2 MNIST数据集的特征和标签185

12.2 MNIST数据集实战编程187

12.2.1 softmax激活函数187

12.2.2 MNIST编程实战189

12.2.3为了更高的准确率192

12.2.4增加更多的深度193

12.3初识卷积神经网络195

12.3.1卷积神经网络196

12.3.2卷积神经网络的程序编写196

12.3.3多层卷积神经网络的程序编写199

12.4本章小结201

第13章 卷积神经网络原理202

13.1卷积运算基本概念202

13.1.1卷积运算203

13.1.2 TensorFlow中卷积函数实现详解204

13.1.3使用卷积函数对图像感兴趣区域进行标注208

13.1.4池化运算210

13.1.5使用池化运算加强卷积特征提取212

13.2卷积神经网络的结构详解213

13.2.1卷积神经网络原理213

13.2.2卷积神经网络的应用实例——LeNet5网络结构216

13.2.3卷积神经网络的训练218

13.3 TensorFlow实现LeNet实例219

13.3.1 LeNet模型分解219

13.3.2使用ReLU激活函数代替sigmoid223

13.3.3程序的重构——模块化设计227

13.3.4卷积核和隐藏层参数的修改231

13.4本章小结237

第14章 卷积神经网络公式推导与应用238

14.1反馈神经网络算法238

14.1.1经典反馈神经网络正向与反向传播公式推导238

14.1.2卷积神经网络正向与反向传播公式推导241

14.2使用卷积神经网络分辨CIFAR-10数据集249

14.2.1 CIFAR-10数据集下载与介绍249

14.2.2 CIFAR-10模型的构建与数据处理251

14.2.3 CIFAR-10模型的细节描述与参数重构260

14.3本章小结261

第15章 猫狗大战——实战AlexNet262

15.1 AlexNet简介263

15.1.1 AlexNet模型解读263

15.1.2 AlexNet程序的实现266

15.2实战猫狗大战——AlexNet模型270

15.2.1数据的收集与处理271

15.2.2模型的训练与存储276

15.2.3使用训练过的模型预测图片281

15.2.4使用Batch Normalization正则化处理数据集288

15.3本章小结297

第16章 我们都爱Finetuning——复用VGG16进行猫狗大战298

16.1 TensorFlow模型保存与恢复详解298

16.1.1 TensorFlow保存和恢复函数的使用298

16.1.2多次模型的保存和恢复299

16.1.3实战TensorFlow模型的存储与恢复300

16.2更为细化的保存和恢复方法304

16.2.1存储文件的解读304

16.2.2更细节地对模型进行恢复和处理305

16.3 VGGNet实现309

16.3.1 VGGNet模型解读及与AlexNet比较309

16.3.2 VGGNet模型的TensorFlow实现311

16.4使用已训练好的模型和权重复现 VGGNet315

16.4.1 npz文件的读取316

16.4.2复用的VGGNet模型定义317

16.4.3保存复用的VGGNet模型为TensorFlow格式323

16.5猫狗大战V2—— Finetuning使用VGGNet进行图像判断324

16.5.1 Finetuning基本理解324

16.5.2猫狗大战——Finetuning使用VGGNet326

16.6本章小结336

第17章 开始找工作吧——深度学习常用面试问题答疑337

17.1深度学习面试常用问题答疑337

17.1.1如何降低过拟合338

17.1.2全连接层详解342

17.1.3激活函数起作用的原因342

17.1.4卷积后的图像大小343

17.1.5池化层的作用343

17.1.6为什么在最后分类时使用softmax而不是传统的SVM343

17.2卷积神经网络调优面试问答汇总343

17.2.1数据集的注意事项343

17.2.2卷积模型训练的注意事项344

17.3 NIN模型介绍344

17.3.1 NIN模型简介344

17.3.2猫狗大战——NIN的代码实现345

17.4 “deeper is better”——GoogLeNet模型介绍350

17.4.1 GoogLeNet模型的介绍350

17.4.2 GoogLeNet模型单元的TensorFlow实现352

17.4.3 GoogLeNet模型的一些注意事项354

17.5本章小结355

第18章 暂时的冠军——ResNet简介及TensorFlow实现356

18.1 ResNet模型简介356

18.1.1 ResNet模型定义357

18.1.2定义工具的TensorFlow实现359

18.1.3 ResNet模型的TensorFlow实现360

18.2新兴的卷积神经模型简介362

18.2.1 SqueezeNet模型简介362

18.2.2 Xception模型简介365

18.3本章小结366

第19章TensorFlow高级API—— Slim使用入门368

19.1 Slim详解368

19.2 Slim使用方法介绍369

19.2.1 Slim中变量使用方法介绍369

19.2.2 Slim中层的使用方法介绍373

19.2.3 Slim中参数空间使用方法介绍375

19.3实战——使用Slim定义VGG16377

19.3.1 VGG16结构图和TensorFlow定义377

19.3.2使用Slim创建VGG 16并训练379

19.4实战——使用Slim设计多层感知器（MLP）382

19.4.1 MLP的Slim实现383

19.4.2 MLP模型的评估392

19.5 Slim数据读取方式394

19.5.1 Slim数据读取格式394

19.5.2生成TFRecords格式数据395

19.5.3使用Slim读取TFRecords格式数据398

19.6本章小结399

第20章Slim使用进阶400

20.1使用Slim创建卷积神经网络（CNN）400

20.1.1数据集获取400

20.1.2创建卷积神经网络403

20.1.3训练Slim创建的卷积网络405

20.2使用Slim预训练模型进行Finetuning407

20.2.1 Inception-ResNet-v2模型简介407

20.2.2使用Inception-ResNet-v2预训练模型参数408

20.2.3修改Inception-ResNet-v2预训练模型输出层级415

20.3本章小结419

第21章 全卷积神经网络图像分割入门420

21.1全卷积神经网络进行图像分割的理论基础420

21.1.1全连接层和全卷积层421

21.1.2反卷积（upsampling）计算423

21.2全卷积神经网络进行图像分割的分步流程与编程基础425

21.2.1使用VGG 16进行图像识别425

21.2.2上采样（upsampling）详解428

21.2.3一种常用的卷积核——双线插值430

21.2.4实战——使用VGG16全卷积网络进行图像分割434

21.3本章小结438

第22章 不服就是GAN——对抗生成网络439

22.1对抗生成网络详解439

22.1.1 GAN的基本原理介绍440

22.1.2简单GAN的TensorFlow实现443

22.2从0到1——实战：使用GAN生成手写体数字449

22.2.1分步骤简介450

22.2.2 GAN网络的训练455

22.3本章小结458