Python深度学习：基于TensorFlow 第2版

作者: 吴茂贵　著

13.70万字50人正在读

已完结现代当代当代文学

目录 (350章)

倒序

正文

001 NumPy基础 002 .1 把图像数字化 003 .1.1 数组属性 004 .1.2 从已有数据中生成数组 005 .1.3 利用random模块生成数组 006 .1.4 利用arange、linspace函数生成数组 007 .2 存取元素 008 .3 NumPy的算术运算 009 .3.1 对应元素相乘 010 .3.2 点积运算 011 .4 数据变形 012 .4.1 更改数组的形状 013 .4.2 合并数组 014 .5 通用函数 015 .6 广播机制 016 .7 用NumPy实现回归实例 017 .8 小结 018 TensorFlow基础知识 019 .1 安装配置 020 .1.1 安装Anaconda 021 .1.2 安装TensorFlow CPU版 022 .1.3 安装TensorFlow GPU版 023 .2 层次架构 024 .3 张量 025 .3.1 张量的基本属性 026 .3.2 张量切片 027 .3.3 操作形状 028 .4 变量 029 .5 NumPy与tf.Tensor比较 030 .6 计算图 031 .6.1 静态计算图 032 .6.2 动态计算图 033 .7 自动图 034 .8 自动微分 035 .9 损失函数 036 .10 优化器 037 .11 使用TensorFlow 2.0实现回归实例 038 .12 GPU加速 039 .13 小结 040 TensorFlow构建模型的方法 041 .1 利用低阶API构建模型 042 .1.1 项目背景 043 .1.2 导入数据 044 .1.3 预处理数据 045 .1.4 构建模型 046 .1.5 训练模型 047 .1.6 测试模型 048 .1.7 保存恢复模型 049 .2 利用中阶API构建模型 050 .2.1 构建模型 051 .2.2 创建损失评估函数 052 .2.3 训练模型 053 .3 利用高阶API构建模型 054 .3.1 构建模型 055 .3.2 编译及训练模型 056 .3.3 测试模型 057 .3.4 保存恢复模型 058 .4 小结 059 TensorFlow数据处理 060 .1 tf.data简介 061 .2 构建数据集的常用方法 062 .2.1 从内存中读取数据 063 .2.2 从文本中读取数据 064 .2.3 读取TFRecord格式文件 065 .3 如何生成自己的TFRecord格式数据 066 .3.1 把数据转换为TFRecord格式的一般步骤 067 .3.2 加载TFRecord文件流程 068 .3.3 代码实现 069 .4 数据增强方法 070 .4.1 常用的数据增强方法 071 .4.2 创建数据处理流水线 072 .5 小结 073 可视化 074 .1 matplotlib 075 .1.1 matplotlib的基本概念 076 .1.2 使用matplotlib绘制图表 077 .1.3 使用rcParams 078 .2 pyecharts 079 .2.1 pyecharts的安装 080 .2.2 使用pyecharts绘制图表 081 .3 TensorBoard 082 .4 小结 083 机器学习基础 084 .1 机器学习的一般流程 085 .1.1 明确目标 086 .1.2 收集数据 087 .1.3 数据探索与预处理 088 .1.4 模型选择 089 .1.5 模型评估 090 .2 监督学习 091 .2.1 线性回归 092 .2.2 逻辑回归 093 .2.3 树回归 094 .2.4 支持向量机 095 .2.5 朴素贝叶斯分类器 096 .2.6 集成学习 097 .3 无监督学习 098 .3.1 主成分分析 099 .3.2 k均值算法 100 .4 数据预处理 101 .4.1 处理缺失值 102 .4.2 处理分类数据 103 .5 机器学习实例 104 .6 小结 105 神经网络基础 106 .1 单层神经网络 107 .2 多层神经网络 108 .2.1 多层神经网络的结构 109 .2.2 各层之间的信息传输 110 .2.3 使用多层神经网络解决XOR问题 111 .2.4 使用TensorFlow解决XOR问题 112 .3 激活函数 113 .3.1 sigmoid函数 114 .3.2 softmax函数 115 .3.3 tanh函数 116 .3.4 ReLU函数 117 .3.5 Leaky-ReLU函数 118 .3.6 softplus函数 119 .3.7 Dropout函数 120 .4 正向和反向传播算法 121 .4.1 单个神经元的BP算法 122 .4.2 多层神经网络的BP算法 123 .5 解决过拟合问题 124 .5.1 权重正则化 125 .5.2 Dropout正则化 126 .5.3 批量正则化 127 .5.4 权重初始化 128 .5.5 残差网络 129 .6 选择优化算法 130 .6.1 传统梯度更新算法 131 .6.2 动量算法 132 .6.3 NAG算法 133 .6.4 AdaGrad算法 134 .6.5 RMSProp算法 135 .6.6 Adam算法 136 .6.7 如何选择优化算法 137 .7 使用tf.keras构建神经网络 138 .7.1 tf.keras概述 139 .7.2 tf.keras的常用模块 140 .7.3 构建模型的几种方法 141 .7.4 使用Sequential API构建神经网络实例 142 .7.5 使用Functional API构建神经网络实例 143 .7.6 使用Subclassing API构建神经网络实例 144 .8 小结 145 视觉处理基础 146 .1 从全连接层到卷积层 147 .1.1 图像的两个特性 148 .1.2 卷积神经网络概述 149 .2 卷积层 150 .2.1 卷积核 151 .2.2 步幅 152 .2.3 填充 153 .2.4 多通道上的卷积 154 .2.5 激活函数 155 .2.6 卷积函数 156 .2.7 转置卷积 157 .2.8 特征图与感受野 158 .2.9 全卷积网络 159 .3 池化层 160 .3.1 局部池化 161 .3.2 全局池化 162 .4 现代经典网络 163 .4.1 LeNet-5模型 164 .4.2 AlexNet模型 165 .4.3 VGG模型 166 .4.4 GoogLeNet模型 167 .4.5 ResNet模型 168 .4.6 DenseNet模型 169 .5 卷积神经网络分类实例 170 .5.1 使用Subclassing API构建网络 171 .5.2 卷积神经网络分类实例的主要步骤 172 .5.3 通过数据增强提升性能 173 .5.4 通过现代网络架构提升网络性能 174 .6 小结 175 自然语言处理基础 176 .1 从语言模型到循环神经网络 177 .1.1 链式法则 178 .1.2 马尔可夫假设与N元语法模型 179 .1.3 从N元语法模型到隐含状态表示 180 .1.4 从神经网络到有隐含状态的循环神经网络 181 .1.5 使用循环神经网络构建语言模型 182 .1.6 多层循环神经网络 183 .2 正向传播与随时间反向传播 184 .3 现代循环神经网络 185 .3.1 LSTM 186 .3.2 GRU 187 .3.3 Bi-RNN 188 .4 几种特殊架构 189 .4.1 编码器-解码器架构 190 .4.2 Seq2Seq架构 191 .5 循环神经网络的应用场景 192 .6 循环神经网络实践 193 .6.1 使用LSTM实现文本分类 194 .6.2 把CNN和RNN组合在一起 195 .7 小结 196 注意力机制 197 .1 注意力机制概述 198 .1.1 两种常见注意力机制 199 .1.2 来自生活的注意力 200 .1.3 注意力机制的本质 201 .2 带注意力机制的编码器-解码器架构 202 .2.1 引入注意力机制 203 .2.2 计算注意力分配值 204 .3 可视化Transformer架构 205 .3.1 Transformer的顶层设计 206 .3.2 编码器与解码器的输入 207 .3.3 自注意力 208 .3.4 多头注意力 209 .3.5 自注意力与卷积神经网络、循环神经网络的异同 210 .3.6 为加深Transformer网络层保驾护航的几种方法 211 .3.7 如何进行自监督学习 212 .3.8 Transformer在视觉领域的应用 213 .4 使用TensorFlow实现Transformer 214 .4.1 Transformer架构图 215 .4.2 架构说明 216 .4.3 构建缩放的点积注意力模块 217 .4.4 构建多头注意力模块 218 .4.5 构建前馈神经网络模块 219 .4.6 构建EncoderLayer模块 220 .4.7 构建Encoder模块 221 .4.8 构建DecoderLayer模块 222 .4.9 构建Decoder模块 223 .4.10 构建Transformer模型 224 .4.11 定义掩码函数 225 .5 小结 226 目标检测 227 .1 目标检测及主要挑战 228 .1.1 边界框的表示 229 .1.2 手工标注图像的真实值 230 .1.3 主要挑战 231 .1.4 选择性搜索 232 .1.5 锚框 233 .1.6 RPN算法 234 .2 优化候选框的算法 235 .2.1 交并比 236 .2.2 非极大值抑制 237 .2.3 边框回归 238 .2.4 使候选框输出为固定大小 239 .3 典型的目标检测算法 240 .3.1 R-CNN 241 .3.2 Fast R-CNN 242 .3.3 Faster R-CNN 243 .3.4 Mask R-CNN 244 .3.5 YOLO 245 .3.6 Swin Transformer 246 .3.7 各种算法的性能比较 247 .4 小结 248 生成式深度学习 249 .1 用变分自编码器生成图像 250 .1.1 自编码器 251 .1.2 变分自编码器 252 .1.3 用变分自编码器生成图像实例 253 .2 GAN简介 254 .2.1 GAN的架构 255 .2.2 GAN的损失函数 256 .3 用GAN生成图像 257 .3.1 判别器 258 .3.2 生成器 259 .3.3 训练模型 260 .3.4 可视化结果 261 .4 VAE与GAN的异同 262 .5 CGAN 263 .5.1 CGAN的架构 264 .5.2 CGAN判别器 265 .5.3 CGAN生成器 266 .5.4 训练模型 267 .5.5 动态查看指定标签的图像 268 .6 提升GAN训练效果的一些技巧 269 .7 小结 270 实战生成式模型 271 .1 Deep Dream模型 272 .1.1 Deep Dream的原理 273 .1.2 Deep Dream算法的流程 274 .1.3 使用TensorFlow实现Deep Dream 275 .2 风格迁移 276 .2.1 内容损失 277 .2.2 风格损失 278 .2.3 训练模型 279 .3 小结 280 目标检测实例 281 .1 数据集简介 282 .2 准备数据 283 .3 训练模型 284 .4 测试模型 285 .5 小结 286 人脸检测与识别实例 287 .1 人脸识别简介 288 .2 项目概况 289 .3 项目详细实施步骤 290 .3.1 图像预处理 291 .3.2 构建模型 292 .3.3 测试模型 293 .4 小结 294 文本检测与识别实例 295 .1 项目架构说明 296 .2 项目实施步骤 297 .2.1 手工生成训练数据 298 .2.2 数据预处理 299 .2.3 构建模型 300 .2.4 训练模型 301 .3 小结 302 基于Transformer的对话实例 303 .1 数据预处理 304 .2 构建注意力模块 305 .3 构建Transformer架构 306 .4 定义损失函数 307 .5 初始化并编译模型 308 .6 测试评估模型 309 .7 小结 310 基于Transformer的图像处理实例 311 .1 导入数据 312 .2 预处理数据 313 .3 构建模型 314 .4 编译、训练模型 315 .5 可视化运行结果 316 .6 小结 317 强化学习基础 318 .1 强化学习基础概述 319 .1.1 智能体与环境的交互 320 .1.2 回报 321 .1.3 马尔可夫决策过程 322 .1.4 贝尔曼方程 323 .1.5 贝尔曼最优方程 324 .1.6 同步策略与异步策略 325 .1.7 有模型训练与无模型训练 326 .2 时序差分算法 327 .3 Q-Learning算法 328 .3.1 Q-Learning算法的主要流程 329 .3.2 Q函数 330 .3.3 贪婪策略 331 .4 SARSA算法 332 .5 DQN算法 333 .5.1 Q-Learning算法的局限性 334 .5.2 用深度学习处理强化学习时需要解决的问题 335 .5.3 用DQN解决问题的方法 336 .5.4 定义损失函数 337 .5.5 DQN的经验回放机制 338 .5.6 目标网络 339 .5.7 网络模型 340 .5.8 DQN算法的实现 341 .6 小结 342 强化学习实践 343 .1 Q-Learning算法实例 344 .2 SARSA算法实例 345 .2.1 游戏场景 346 .2.2 核心代码说明 347 .3 用TensorFlow实现DQN算法 348 .4 小结 349 附录 A TensorFlow-GPU 2+升级安装配置 350 附录 B 从TensorFlow1.x升级到TensorFlow 2.x

精选推荐

领导力法则

[中国纺织出版社]

陆禹萌

已完结当代文学

销售心理学

[中国纺织出版社]

兰华

已完结当代文学

销售就是玩转情商

[中国纺织出版社]

王威

已完结当代文学

销售员情商实战训练

成功的销售需要高智商，更需要高情商。一个销售员的销售业绩，往往与他的情商成正比。本书从十个方面详细讲述了有效运用情商，提高销售业绩的方法和技巧。通过实际销售案例和销售心理学理论指导，以及实战点拨和情商拓展训练，帮助读者全方位、快速提高情商。故事性、多版块、碎片化的内容设置，有效降低读者阅读疲劳，提高阅读兴趣，不论是奔波在路上的销售小白，还是带领团队奋勇向前的销售经理，都能从中找到适合自己的销售软技巧。

刘军

已完结当代文学

让未来的你，感谢现在勇敢的自己

[中国纺织出版社]

王介威

已完结当代文学

行为心理学：华生的实用心理学课

[中国纺织出版社]

（美）约翰·华生著.倪彩

已完结当代文学

行为心理学入门（完全图解版）

行为心理学入门（完全图解版）是以作者多来年的心理辅导和咨询数据为素材，对现实生活中的行为心理学应用进行了形象、深入、全面的论述和解读。本书与日本心理学图解书形式相同，浅显易读，有趣又益。

武莉

已完结当代文学

自卑与超越

《自卑与（全译插图典藏版）》是个体心理学研究领域的著作，也是人本主义心理学先驱阿尔弗雷德·阿德勒的很好著作。阿德勒的学说以“自卑感”与“创造性自我”为中心，并强调“社会意识”。全书立足个人心理学的观点，从教育、家庭、婚姻、伦理、社交等多个领域，以大量的实例为论述基础，阐明了人生意义的真谛，帮助人们克服自卑、不断超自己，正确对待职业，正确理解社会与性。本书直接促进了亲子教育、人格培养、婚姻与爱情、职业生涯、家庭建设、人际关系等诸多领域的长足发展，成为人们了解心理学的经典读物。

（奥）阿尔弗雷德·阿德勒

已完结当代文学

自制力：道理我都懂，为什么就是过不好人生

[中国纺织出版社]

邱开杰

已完结当代文学