TensorFlow深度學(xué)習(xí)（Python版）

第1章Python程序設(shè)計(jì)語(yǔ)言
1.1Python程序設(shè)計(jì)語(yǔ)言歷史
1.2Python程序設(shè)計(jì)語(yǔ)言簡(jiǎn)介
1.3Python版本簡(jiǎn)介
第2章安裝和運(yùn)行Python開(kāi)發(fā)環(huán)境
2.1在Windows操作系統(tǒng)中安裝Python
2.2在Windows操作系統(tǒng)中測(cè)試與運(yùn)行Python
2.3在Mac操作系統(tǒng)中安裝Python
2.4在Mac操作系統(tǒng)中測(cè)試與運(yùn)行Python
2.5在Linux和樹(shù)莓派中安裝Python
2.6在Linux或樹(shù)莓派中測(cè)試與運(yùn)行Python
第3章開(kāi)發(fā)程序和工具
3.1我的第1個(gè)Windows版Python程序
3.2我的第1個(gè)Mac、Linux和樹(shù)莓派版Python程序
3.3開(kāi)發(fā)和調(diào)試工具的下載和安裝
3.4打開(kāi)PyCharm
3.5用PyCharm創(chuàng)建項(xiàng)目
3.6調(diào)試項(xiàng)目
3.7安裝Anaconda
3.8使用Anaconda
3.9pip安裝包
3.10本書(shū)需要安裝的第三方函數(shù)庫(kù)列表
第4章TensorFlow簡(jiǎn)介和安裝
4.1TensorFlow簡(jiǎn)介
4.2安裝TensorFlow
4.3TensorFlow測(cè)試
第5章顯卡確認(rèn)
5.1安裝NVIDIA的CUDA Toolkit 9.0
5.2安裝NVIDIA的cuDNN v7.2.1
5.3安裝Python 的TensorFlow GPU函數(shù)庫(kù)
5.4運(yùn)行TensorFlowGPU程序
5.5通過(guò)程序指定GPU顯卡
5.6指定GPU顯卡內(nèi)存上限
第6章TensorFlow神經(jīng)網(wǎng)絡(luò)模型快速上手
6.1人工智能開(kāi)發(fā)步驟
6.2創(chuàng)建訓(xùn)練集
6.3構(gòu)建模型
6.4編譯
6.5訓(xùn)練
6.6評(píng)估正確率
6.7預(yù)測(cè)
第7章TensorFlow改善神經(jīng)網(wǎng)絡(luò)模型MLP的準(zhǔn)確率
7.1模型不同的寫(xiě)法
7.2TensorFlow與Keras 函數(shù)庫(kù)的關(guān)系和差異
7.3標(biāo)記處理獨(dú)熱編碼
7.4處理多個(gè)特征值
7.5通過(guò)改變深度學(xué)習(xí)訓(xùn)練次數(shù)改善預(yù)測(cè)結(jié)果
7.6通過(guò)改變深度學(xué)習(xí)每次訓(xùn)練的數(shù)據(jù)量改善預(yù)測(cè)結(jié)果
7.7通過(guò)增加神經(jīng)元的數(shù)量改善預(yù)測(cè)結(jié)果
7.8通過(guò)增加隱藏層的數(shù)量改善預(yù)測(cè)結(jié)果
7.9通過(guò)增加訓(xùn)練集的數(shù)據(jù)筆數(shù)改善訓(xùn)練結(jié)果
7.10使預(yù)測(cè)正確率達(dá)到100%
第8章TensorFlow神經(jīng)網(wǎng)絡(luò)模型實(shí)戰(zhàn)案例
8.1鳶尾花的種類(lèi)判斷
8.2鳶尾花植物辨識(shí)數(shù)據(jù)庫(kù)
8.3利用Python處理Excel文檔
8.4下載并存儲(chǔ)鳶尾花數(shù)據(jù)
8.5多層感知器模型
8.6使用TensorFlow.keras 創(chuàng)建模型
8.7澳大利亞堪培拉天氣預(yù)測(cè)
8.8Excel數(shù)據(jù)的提取和存儲(chǔ)
8.9CSV數(shù)據(jù)的提取、處理和存儲(chǔ)
8.10處理天氣記錄的Excel數(shù)據(jù)
8.11使用神經(jīng)網(wǎng)絡(luò)模型MLP預(yù)測(cè)天氣
第9章TensorFlow神經(jīng)網(wǎng)絡(luò)神經(jīng)元
9.1神經(jīng)網(wǎng)絡(luò)圖形工具
9.2神經(jīng)網(wǎng)絡(luò)圖形工具的TensorFlow數(shù)據(jù)
9.3神經(jīng)網(wǎng)絡(luò)圖形工具對(duì)應(yīng)的TensorFlow程序
9.4調(diào)整隱藏層和神經(jīng)元
9.5用最少的隱藏層和神經(jīng)元區(qū)分?jǐn)?shù)據(jù)
9.6通過(guò)TensorFlow 計(jì)算權(quán)重和偏移量
9.7將神經(jīng)元的權(quán)重和偏移量用表達(dá)式表示
9.8用TensorFlow畫(huà)出神經(jīng)元的權(quán)重和偏移量
9.9binary_crossentropy 二元法的處理
9.10自定義數(shù)據(jù)驗(yàn)證回歸和神經(jīng)元的關(guān)系
9.11激活函數(shù)
9.12多個(gè)神經(jīng)元
第10章MLP神經(jīng)網(wǎng)絡(luò)的數(shù)學(xué)理論
10.1激活函數(shù)Sigmoid的數(shù)學(xué)理論
10.2激活函數(shù)Tanh的數(shù)學(xué)理論
10.3激活函數(shù)ReLU的數(shù)學(xué)理論
10.4使用激活函數(shù)的目的
10.5MLP的計(jì)算公式
10.6兩層神經(jīng)元的數(shù)學(xué)計(jì)算
第11章TensorFlow神經(jīng)網(wǎng)絡(luò)隱藏層
11.1隱藏層的作用
11.2隱藏層的數(shù)學(xué)原理
11.3MLP實(shí)例XOR問(wèn)題
11.4空間轉(zhuǎn)換
11.5再次切割
11.6隱藏層的設(shè)置
第12章TensorFlow神經(jīng)網(wǎng)絡(luò)最短路徑算法
12.1圖形顯示訓(xùn)練過(guò)程歷史
12.2深度學(xué)習(xí)優(yōu)化——最短路徑算法
12.3Adam算法
12.4SGD算法
12.5RMSprop算法
12.6Adagrad、Adadelta、Nadam和Momentum算法
12.7選擇優(yōu)化算法的方法
12.8特征值數(shù)據(jù)標(biāo)準(zhǔn)化
12.9優(yōu)化學(xué)習(xí)率
12.10編譯模型的metrics 指針
第13章TensorFlow神經(jīng)網(wǎng)絡(luò)訪問(wèn)模型和訓(xùn)練結(jié)果
13.1TensorBoard的使用
13.2保存模型和訓(xùn)練后的結(jié)果
13.3提取模型系統(tǒng)結(jié)構(gòu)和模型權(quán)重
13.4通過(guò)Callback每次訓(xùn)練存儲(chǔ)權(quán)重一次
13.5自動(dòng)判斷是否需要訓(xùn)練模型
13.6分批次訓(xùn)練
第14章TensorFlow神經(jīng)網(wǎng)絡(luò)MLP回歸
14.1回歸的神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)方法
14.2神經(jīng)網(wǎng)絡(luò)回歸的metrics 指針
14.3單次梯度更新函數(shù)
14.4損失函數(shù)與代價(jià)函數(shù)
14.5波士頓房屋價(jià)格的數(shù)據(jù)庫(kù)分析
14.6將波士頓房屋價(jià)格數(shù)據(jù)下載存儲(chǔ)至Excel和CSV
14.7特征關(guān)系
14.8使用回歸神經(jīng)網(wǎng)絡(luò)MLP預(yù)測(cè)波士頓房屋價(jià)格
14.9調(diào)整神經(jīng)網(wǎng)絡(luò)使MLP回歸更加準(zhǔn)確
14.10MLP回歸分批繼續(xù)訓(xùn)練
14.11波士頓房屋價(jià)格的預(yù)測(cè)單次梯度更新
第15章圖像識(shí)別
15.1模式識(shí)別原理
15.2將圖片轉(zhuǎn)換成特征值
15.3多層感知器MLP實(shí)戰(zhàn)模式識(shí)別
15.4實(shí)戰(zhàn)手寫(xiě)數(shù)字圖片數(shù)據(jù)集MNIST
15.5顯示MNIST中每一筆數(shù)據(jù)內(nèi)容
15.6圖形顯示MNIST內(nèi)的數(shù)據(jù)
15.7顯示多張圖片
15.8圖形和文字的識(shí)別原理
15.9將圖形數(shù)據(jù)轉(zhuǎn)換為MLP訓(xùn)練集
15.10使用MLP識(shí)別圖形和文字
15.11服飾數(shù)據(jù)集的模式識(shí)別
15.12圖形化顯示服飾數(shù)據(jù)集
15.13使用MLP識(shí)別服飾數(shù)據(jù)集
第16章卷積神經(jīng)網(wǎng)絡(luò)
16.1CNN簡(jiǎn)介
16.2CNN和MLP的差異
16.3CNN快速上手
16.4CNN做手寫(xiě)數(shù)字圖片識(shí)別之特征值的處理
16.5CNN做手寫(xiě)數(shù)字圖片識(shí)別之模型
16.6CNN做手寫(xiě)數(shù)字圖片識(shí)別之訓(xùn)練和預(yù)測(cè)
16.7CNN做手寫(xiě)數(shù)字圖片識(shí)別之減少訓(xùn)練時(shí)間
16.8通過(guò)CNN提高圖片識(shí)別率
16.9使用CNN識(shí)別服飾種類(lèi)
16.10使用CNN識(shí)別彩色圖片
16.11使用CNN識(shí)別100種人物和物體
16.12TensorFlow Datasets函數(shù)庫(kù)
16.13使用和整理TensorFlow Datasets函數(shù)庫(kù)
第17章OpenCV和CNN即時(shí)識(shí)別
17.1OpenCV簡(jiǎn)介
17.2使用OpenCV顯示圖片
17.3使用OpenCV打開(kāi)攝像機(jī)并捕捉實(shí)時(shí)畫(huà)面
17.4使用OpenCV存儲(chǔ)照片
17.5通過(guò)攝像機(jī)識(shí)別的一個(gè)手寫(xiě)數(shù)字
17.6OpenCV手寫(xiě)程序
17.7即時(shí)手寫(xiě)識(shí)別App
17.8改善實(shí)際運(yùn)用上的準(zhǔn)確度
17.9二值化
第18章卷積神經(jīng)網(wǎng)絡(luò)原理
18.1Conv2D函數(shù)的數(shù)學(xué)原理
18.2Conv2D函數(shù)對(duì)圖片每一個(gè)點(diǎn)的處理
18.3Conv2D函數(shù)對(duì)邊緣的處理
18.4使用Conv2D函數(shù)顯示圖片
18.5參數(shù)kernel_size 和padding的差異
18.6濾鏡數(shù)量的意義
18.7激活函數(shù)的意義
18.8多層Conv2D函數(shù)
18.9多層池化層MaxPooling2D函數(shù)
18.10池化層計(jì)算方法
18.11平均池化Average Pooling
18.12均值池化MeanPooling
第19章利用卷積神經(jīng)網(wǎng)絡(luò)提高準(zhǔn)確率的技巧
19.1利用ImageDataGenerator函數(shù)創(chuàng)建更多訓(xùn)練集
19.2利用width_shift_range參數(shù)水平移動(dòng)圖片
19.3利用rotation_range參數(shù)旋轉(zhuǎn)圖片
19.4利用zoom_range參數(shù)放大縮小圖片
19.5利用brightness_range參數(shù)調(diào)整明暗度
19.6height_shift_range、fill_mode及cval參數(shù)
19.7將ImageDataGenerator用于MNIST數(shù)據(jù)
19.8二值化和更多神經(jīng)元
19.9MNIST手寫(xiě)預(yù)測(cè)
19.10混淆數(shù)組Confusion Matrix
第20章圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊
20.1圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊
20.2使用VGG16預(yù)測(cè)1000種對(duì)象
20.3自制VGG16模型
20.4將模型存儲(chǔ)成圖片
20.5使用VGG16模型做CIFAR10彩色數(shù)據(jù)訓(xùn)練
20.6使用VGG16模型做MNIST_fashion灰度數(shù)據(jù)訓(xùn)練
20.7使用攝像機(jī)和VGG16模型即時(shí)識(shí)別10 000種對(duì)象
20.8圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊VGG19
20.9圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊ResNet50
20.10圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊Xception
20.11圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊InceptionV3
20.12圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊InceptionResNetV2
20.13圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊NASNetLarge
20.14圖學(xué)網(wǎng)絡(luò)應(yīng)用模塊DenseNet121
第21章多影像識(shí)別實(shí)戰(zhàn)
21.1創(chuàng)建或設(shè)計(jì)識(shí)別圖片
21.2創(chuàng)建訓(xùn)練圖庫(kù)
21.3訓(xùn)練圖庫(kù)
21.4結(jié)合攝像機(jī)即時(shí)判斷訓(xùn)練的圖庫(kù)
21.5使用VGG16訓(xùn)練和測(cè)試圖庫(kù)
21.6使用OpenCV找出多個(gè)物體
21.7多對(duì)象的預(yù)測(cè)
21.8利用攝像機(jī)做多對(duì)象的預(yù)測(cè)
21.9文字的即時(shí)識(shí)別
第22章多影像識(shí)別技術(shù)
22.1多對(duì)象檢測(cè)和多影像識(shí)別技術(shù)
22.2Mask RCNN簡(jiǎn)介
22.3Mask RCNN使用
22.4取得預(yù)測(cè)率和對(duì)象位置
22.5Mask RCNN結(jié)合OpenCV和攝像機(jī)即時(shí)識(shí)別
22.6通過(guò)Mask RCNN判斷視頻上的多對(duì)象并存儲(chǔ)視頻
22.7準(zhǔn)備訓(xùn)練圖片
22.8訓(xùn)練自己的Mask RCNN權(quán)重
22.9測(cè)試自己訓(xùn)練的物體
22.10調(diào)整訓(xùn)練程序
22.11使用Mask RCNN識(shí)別多個(gè)氣球的位置
22.12TensorFlow 1.14和TensorFlow2.1版本程序差異