0人評分過此書
TensorFlow深度学习应用实践
作者
：
出版日期
：
2018/01/01
閱讀格式
：
EPUB
ISBN
：
9787302487951
本書總的指導思想是在掌握深度學習的基本知識和特性的基礎上，培養使用TensorFlow進行實際編程以解決圖像處理相關問題的能力。全書力求深入淺出，通過通俗易懂的語言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫。 本書共22章，內容包括Python類庫的安裝和使用、TensorFlow基本數據結構和使用、TensorFlow數據集的創建與讀取、人工神經網絡、反饋神經網絡、全卷積神經網絡的理論基礎、深度學習模型的創建、模型的特性、算法、ResNet、Slim、GAN等。本書強調理論聯繫實際，重點介紹TensorFlow編程解決圖像識別的應用，提供了大量數據集，並以代碼的形式實現了深度學習模型，以供讀者參考。 本書既可作為學習人工神經網絡、深度學習、TensorFlow程序設計以及圖像處理等相關內容的程序設計人員培訓和自學用書，也可作為高等院校和培訓機構相關專業的教材。
- 封面页
- 书名页
- 版权页
- 内容简介
- 作者简介
- 推荐序
- 前言
- 目录
-
第1章 ◄星星之火►
-
1.1 计算机视觉与深度学习
-
1.1.1 人类视觉神经的启迪
-
1.1.2 计算机视觉的难点与人工神经网络
-
1.1.3 应用深度学习解决计算机视觉问题
-
-
1.2 计算机视觉学习的基础与研究方向
-
1.2.1 学习计算机视觉结构图
-
1.2.2 计算机视觉的学习方式和未来趋势
-
-
1.3 本章小结
-
-
第2章 ◄Python的安装与使用►
-
2.1 Python基本安装和用法
-
2.1.1 Anaconda的下载与安装
-
2.1.2 Python编译器PyCharm的安装
-
2.1.3 使用Python计算softmax函数
-
-
2.2 Python常用类库中的threading
-
2.2.1 threading库的使用
-
2.2.2 threading模块中最重要的Thread类
-
2.2.3 threading中的Lock类
-
2.2.4 threading中的join类
-
-
2.3 本章小结
-
-
第3章 深度学习的理论基础——机器学习
-
3.1 机器学习基本分类
-
3.1.1 基于学科的分类
-
3.1.2 基于学习模式的分类
-
3.1.3 基于应用领域的分类
-
-
3.2 机器学习基本算法
-
3.2.1 机器学习的算法流程
-
3.2.2 基本算法的分类
-
-
3.3 算法的理论基础
-
3.3.1 小学生的故事——求圆的面积
-
3.3.2 机器学习基础理论——函数逼近
-
-
3.4 回归算法
-
3.4.1 函数逼近经典算法——线性回归
-
3.4.2 线性回归的姐妹——逻辑回归
-
-
3.5 机器学习的其他算法——决策树
-
3.5.1 水晶球的秘密
-
3.5.2 决策树的算法基础——信息熵
-
3.5.3 决策树的算法基础——ID3算法
-
-
3.6 本章小结
-
-
第4章 Python类库的使用——数据处理及可视化展示
-
4.1 从小例子起步——NumPy的初步使用
-
4.1.1 数据的矩阵化
-
4.1.2 数据分析
-
4.1.3 基于统计分析的数据处理
-
-
4.2 图形化数据处理——Matplotlib包使用
-
4.2.1 差异的可视化
-
4.2.2 坐标图的展示
-
4.2.3 玩个大的
-
-
4.3 深度学习理论方法——相似度计算
-
4.3.1 基于欧几里得距离的相似度计算
-
4.3.2 基于余弦角度的相似度计算
-
4.3.3 欧几里得相似度与余弦相似度的比较
-
-
4.4 数据的统计学可视化展示
-
4.4.1 数据的四分位
-
4.4.2 数据的四分位示例
-
4.4.3 数据的标准化
-
4.4.4 数据的平行化处理
-
4.4.5 热点图——属性相关性检测
-
-
4.5 Python实战——某地降水的关系处理
-
4.5.1 不同年份的相同月份统计
-
4.5.2 不同月份之间的增减程度比较
-
4.5.3 每月降水不相关吗
-
-
4.6 本章小结
-
-
第5章 ◄OpenCV的基础使用►
-
5.1 OpenCV基本的图片读取
-
5.1.1 基本的图片存储格式
-
5.1.2 图像的读取与存储
-
5.1.3 图像的转换
-
5.1.4 使用NumPy模块对图像进行编辑
-
-
5.2 OpenCV的卷积核处理
-
5.2.1 计算机视觉的三种不同色彩空间
-
5.2.2 卷积核与图像特征提取
-
5.2.3 卷积核进阶
-
-
5.3 本章小结
-
-
第6章 ◄OpenCV与TensorFlow的融合►
-
6.1 图片的自由缩放以及边缘裁剪
-
6.1.1 图像的扩缩裁挖
-
6.1.2 图像色调的调整
-
6.1.3 图像的旋转、平移和翻转
-
-
6.2 使用OpenCV扩大图像数据库
-
6.2.1 图像的随机裁剪
-
6.2.2 图像的随机旋转变换
-
6.2.3 图像色彩的随机变换
-
6.2.4 对鼠标的监控
-
-
6.3 本章小结
-
-
第7章 ◄Let’s play TensorFlow►
-
7.1 TensorFlow游乐场
-
7.1.1 I want to play a game
-
7.1.2 TensorFlow游乐场背后的故事
-
7.1.3 如何训练神经网络
-
-
7.2 初识Hello TensorFlow
-
7.2.1 TensorFlow名称的解释
-
7.2.2 TensorFlow基本概念
-
7.2.3 TensorFlow基本架构
-
-
7.3 本章小结
-
-
第8章 ◄Hello TensorFlow，从0到1►
-
8.1 TensorFlow的安装
-
8.2 TensorFlow常量、变量和数据类型
-
8.3 TensorFlow矩阵计算
-
8.4 Hello TensorFlow
-
8.5 本章小结
-
-
第9章 ◄TensorFlow重要算法基础►
-
9.1 BP神经网络简介
-
9.2 BP神经网络中的两个基础算法
-
9.2.1 最小二乘法（LS算法）详解
-
9.2.2 道士下山的故事——梯度下降算法
-
-
9.3 TensorFlow实战——房屋价格的计算
-
9.3.1 数据收集
-
9.3.2 模型的建立与计算
-
9.3.3 TensorFlow程序设计
-
-
9.4 反馈神经网络反向传播算法
-
9.4.1 深度学习基础
-
9.4.2 链式求导法则
-
9.4.3 反馈神经网络原理与公式推导
-
9.4.4 反馈神经网络原理的激活函数
-
9.4.5 反馈神经网络原理的Python实现
-
-
9.5 本章小结
-
-
第10章 TensorFlow数据的生成与读取详解
-
10.1 TensorFlow的队列
-
10.1.1 队列的创建
-
10.1.2 线程同步与停止
-
10.1.3 队列中数据的读取
-
-
10.2 CSV文件的创建与读取
-
10.2.1 CSV文件的创建
-
10.2.2 CSV文件的读取
-
-
10.3 TensorFlow文件的创建与读取
-
10.3.1 TFRecords文件的创建
-
10.3.2 TFRecords文件的读取
-
10.3.3 图片文件的创建与读取
-
-
10.4 本章小结
-
-
第11章 回归分析——从TensorFlow陷阱与细节开始
-
11.1 TensorFlow线性回归
-
11.1.1 线性回归详解与编程实战
-
11.1.2 线性回归编程中的陷阱与细节设计
-
11.1.3 TensorFlow多元线性回归
-
-
11.2 多元线性回归实战编程
-
11.2.1 多元线性回归实战的编程—房屋价格计算
-
11.2.2 多元线性回归实战的推广——数据的矩阵化
-
-
11.3 逻辑回归详解
-
11.3.1 逻辑回归不是回归算法
-
11.3.2 常用的逻辑回归特征变化与结果转换
-
11.3.3 逻辑回归的损失函数
-
11.3.4 逻辑回归编程实战——胃癌的转移判断
-
-
11.4 本章小结
-
-
第12章 TensorFlow编程实战——MNIST手写体识别
-
12.1 MNIST数据集
-
12.1.1 MNIST是什么
-
12.1.2 MNIST数据集的特征和标签
-
-
12.2 MNIST数据集实战编程
-
12.2.1 softmax激活函数
-
12.2.2 MNIST编程实战
-
12.2.3 为了更高的准确率
-
12.2.4 增加更多的深度
-
-
12.3 初识卷积神经网络
-
12.3.1 卷积神经网络
-
12.3.2 卷积神经网络的程序编写
-
12.3.3 多层卷积神经网络的程序编写
-
-
12.4 本章小结
-
-
第13章 ◄卷积神经网络原理►
-
13.1 卷积运算基本概念
-
13.1.1 卷积运算
-
13.1.2 TensorFlow中卷积函数实现详解
-
13.1.3 使用卷积函数对图像感兴趣区域进行标注
-
13.1.4 池化运算
-
13.1.5 使用池化运算加强卷积特征提取
-
-
13.2 卷积神经网络的结构详解
-
13.2.1 卷积神经网络原理
-
13.2.2 卷积神经网络的应用实例——LeNet5网络结构
-
13.2.3 卷积神经网络的训练
-
-
13.3 TensorFlow实现LeNet实例
-
13.3.1 LeNet模型分解
-
13.3.2 使用ReLU激活函数代替sigmoid
-
13.3.3 程序的重构——模块化设计
-
13.3.4 卷积核和隐藏层参数的修改
-
-
13.4 本章小结
-
-
第14章 ◄卷积神经网络公式推导与应用►
-
14.1 反馈神经网络算法
-
14.1.1 经典反馈神经网络正向与反向传播公式推导
-
14.1.2 卷积神经网络正向与反向传播公式推导
-
-
14.2 使用卷积神经网络分辨CIFAR-10数据集
-
14.2.1 CIFAR-10数据集下载与介绍
-
14.2.2 CIFAR-10模型的构建与数据处理
-
14.2.3 CIFAR-10模型的细节描述与参数重构
-
-
14.3 本章小结
-
-
第15章 ◄猫狗大战——实战AlexNet►
-
15.1 AlexNet简介
-
15.1.1 AlexNet模型解读
-
15.1.2 AlexNet程序的实现
-
-
15.2 实战猫狗大战——AlexNet模型
-
15.2.1 数据的收集与处理
-
15.2.2 模型的训练与存储
-
15.2.3 使用训练过的模型预测图片
-
15.2.4 使用Batch_Normalization正则化处理数据集
-
-
15.3 本章小结
-
-
第16章 我们都爱Finetuning——复用VGG16进行猫狗大战
-
16.1 TensorFlow模型保存与恢复详解
-
16.1.1 TensorFlow保存和恢复函数的使用
-
16.1.2 多次模型的保存和恢复
-
16.1.3 实战TensorFlow模型的存储与恢复
-
-
16.2 更为细化的保存和恢复方法
-
16.2.1 存储文件的解读
-
16.2.2 更细节地对模型进行恢复和处理
-
-
16.3 VGGNet实现
-
16.3.1 VGGNet模型解读及与AlexNet比较
-
16.3.2 VGGNet模型的TensorFlow实现
-
-
16.4 使用已训练好的模型和权重复现VGGNet
-
16.4.1 npz文件的读取
-
16.4.2 复用的VGGNet模型定义
-
16.4.3 保存复用的VGGNet模型为TensorFlow格式
-
-
16.5 猫狗大战V2——Finetuning使用VGGNet进行图像判断
-
16.5.1 Finetuning基本理解
-
16.5.2 猫狗大战——Finetuning使用VGGNet
-
-
16.6 本章小结
-
-
第17章 开始找工作吧——深度学习常用面试问题答疑
-
17.1 深度学习面试常用问题答疑
-
17.1.1 如何降低过拟合
-
17.1.2 全连接层详解
-
17.1.3 激活函数起作用的原因
-
17.1.4 卷积后的图像大小
-
17.1.5 池化层的作用
-
17.1.6 为什么在最后分类时使用softmax而不是传统的SVM
-
-
17.2 卷积神经网络调优面试问答汇总
-
17.2.1 数据集的注意事项
-
17.2.2 卷积模型训练的注意事项
-
-
17.3 NIN模型介绍
-
17.3.1 NIN模型简介
-
17.3.2 猫狗大战——NIN的代码实现
-
-
17.4 “deeper is better”——GoogLeNet模型介绍
-
17.4.1 GoogLeNet模型的介绍
-
17.4.2 GoogLeNet模型单元的TensorFlow实现
-
17.4.3 GoogLeNet模型的一些注意事项
-
-
17.5 本章小结
-
-
第18章 暂时的冠军——ResNet简介及TensorFlow实现
-
18.1 ResNet模型简介
-
18.1.1 ResNet模型定义
-
18.1.2 定义工具的TensorFlow实现
-
18.1.3 ResNet模型的TensorFlow实现
-
-
18.2 新兴的卷积神经模型简介
-
18.2.1 SqueezeNet模型简介
-
18.2.2 Xception模型简介
-
-
18.3 本章小结
-
-
第19章 TensorFlow高级API——Slim使用入门
-
19.1 Slim详解
-
19.2 Slim使用方法介绍
-
19.2.1 Slim中变量使用方法介绍
-
19.2.2 Slim中层的使用方法介绍
-
19.2.3 Slim中参数空间使用方法介绍
-
-
19.3 实战——使用Slim定义VGG16
-
19.3.1 VGG16结构图和TensorFlow定义
-
19.3.2 使用Slim创建VGG16并训练
-
-
19.4 实战—使用Slim设计多层感知器（MLP）
-
19.4.1 MLP的Slim实现
-
19.4.2 MLP模型的评估
-
-
19.5 Slim数据读取方式
-
19.5.1 Slim数据读取格式
-
19.5.2 生成TFRecords格式数据
-
19.5.3 使用Slim读取TFRecords格式数据
-
-
19.6 本章小结
-
-
第20章 Slim使用进阶
-
20.1 使用Slim创建卷积神经网络（CNN）
-
20.1.1 数据集获取
-
20.1.2 创建卷积神经网络
-
20.1.3 训练Slim创建的卷积网络
-
-
20.2 使用Slim预训练模型进行Finetuning
-
20.2.1 Inception-ResNet-v2模型简介
-
20.2.2 使用Inception-ResNet-v2预训练模型参数
-
20.2.3 修改Inception-ResNet-v2预训练模型输出层级
-
-
20.3 本章小结
-
-
第21章 全卷积神经网络图像分割入门
-
21.1 全卷积神经网络进行图像分割的理论基础
-
21.1.1 全连接层和全卷积层
-
21.1.2 反卷积（upsampling）计算
-
-
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
-
21.2.1 使用VGG16进行图像识别
-
21.2.2 上采样（upsampling）详解
-
21.2.3 一种常用的卷积核—双线插值
-
21.2.4 实战——使用VGG16全卷积网络进行图像分割
-
-
21.3 本章小结
-
-
第22章 不服就是GAN——对抗生成网络
-
22.1 对抗生成网络详解
-
22.1.1 GAN的基本原理介绍
-
22.1.2 简单GAN的TensorFlow实现
-
-
22.2 从0到1—实战：使用GAN生成手写体数字
-
22.2.1 分步骤简介
-
22.2.2 GAN网络的训练
-
-
22.3 本章小结
-
- 出版地 ： 中國大陸
- 語言 ： 簡體中文
評分與評論
請登入後再留言與評分
EPUB
EPUB
EPUB
EPUB
EPUB
