图书介绍
TensorFlow深度学习应用实践pdf电子书版本下载
- 王晓华著 著
- 出版社： 北京：清华大学出版社
- ISBN：9787302487951
- 出版时间：2018
- 标注页数：458页
- 文件大小：433MB
- 文件页数：479页
- 主题词：人工智能－算法－研究
PDF下载
下载说明
TensorFlow深度学习应用实践PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如 BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
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
图书目录
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threading 17
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 TensorFlow 82
7.1 TensorFlow游乐场 82
7.1.1 I want to play a game 82
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 TensorFlow 89
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1 94
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 TensorFlow 102
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sigmoid 223
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AlexNet 262
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 VGGNet 315
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VGGNet 326
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SVM 343
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VGG16 377
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Finetuning 407
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