深度學(xué)習(xí)入門與實戰(zhàn)：基于TensorFlow

第 1章 深度學(xué)習(xí)與TensorFlow
1．1　深度學(xué)習(xí)概覽
1．1．1　機器學(xué)習(xí)的基本模型
1．1．2　神經(jīng)網(wǎng)絡(luò)的必要性
1．1．3　深度學(xué)習(xí)的特點
1．1．4　參數(shù)優(yōu)化
1．2　環(huán)境準(zhǔn)備
1．2．1　基于CentOS 7環(huán)境的安裝步驟
1．2．2　Jupyter的使用方法
1．3　TensorFlow概覽
1．3．1　用多維數(shù)組表示模型
1．3．2　TensorFlow 代碼實現(xiàn)
1．3．3　通過Session執(zhí)行訓(xùn)練
第　2章 分類算法基礎(chǔ)
2．1　邏輯回歸之二元分類器
2．1．1　利用概率進(jìn)行誤差評價
2．1．2　通過TensorFlow執(zhí)行最大似然估計
2．1．3　通過測試集驗證
2．2　Softmax函數(shù)與多元分類器
2．2．1　線性多元分類器的結(jié)構(gòu)
2．2．2　通過Softmax 函數(shù)進(jìn)行概率轉(zhuǎn)換
2．3　應(yīng)用多元分類器進(jìn)行手寫數(shù)字識別
2．3．1　MNIST數(shù)據(jù)集的使用方法
2．3．2　圖片數(shù)據(jù)的分類算法
2．3．3　TensorFlow執(zhí)行訓(xùn)練
2．3．4　小批量梯度下降法和隨機梯度下降法
第3章　應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行分類
3．1　單層神經(jīng)網(wǎng)絡(luò)的構(gòu)成
3．1．1　使用單層神經(jīng)網(wǎng)絡(luò)的二元分類器
3．1．2　隱藏層的作用
3．1．3　改變節(jié)點數(shù)和激活函數(shù)后的效果
3．2　應(yīng)用單層神經(jīng)網(wǎng)絡(luò)進(jìn)行手寫數(shù)字分類
3．2．1　應(yīng)用單層神經(jīng)網(wǎng)絡(luò)的多元分類器
3．2．2　通過TensorBoard確認(rèn)網(wǎng)絡(luò)圖
3．3　擴展為多層神經(jīng)網(wǎng)絡(luò)
3．3．1　多層神經(jīng)網(wǎng)絡(luò)的效果
3．3．2　基于特征變量的分類邏輯
3．3．3　補充：參數(shù)向極小值收斂的例子
第4章　卷積核提取圖片特征
4．1　卷積核的功能
4．1．1　卷積核示例
4．1．2　在TensorFlow中運用卷積核
4．1．3　通過池化層縮小圖片
4．2　應(yīng)用卷積核進(jìn)行圖片分類
4．2．1　應(yīng)用特征變量進(jìn)行圖片分類
4．2．2　卷積核的動態(tài)學(xué)習(xí)
4．3　應(yīng)用卷積核進(jìn)行手寫數(shù)字識別分類
4．3．1　保存Session信息的功能
4．3．2　通過單層CNN對手寫數(shù)字進(jìn)行識別分類
4．3．3　確認(rèn)動態(tài)學(xué)習(xí)的卷積核
第5章　應(yīng)用卷積核多層化實現(xiàn)性能提升
5．1　完成卷積神經(jīng)網(wǎng)絡(luò)
5．1．1　通過多層卷積核抽取特征
5．1．2　用TensorFlow實現(xiàn)多層CNN
5．1．3　自動識別手寫數(shù)字應(yīng)用
5．2　延伸閱讀
5．2．1　CIFAR-10（彩色圖片數(shù)據(jù)集）的分類延伸
5．2．2　通過“A Neural Network Playground”進(jìn)行直觀理解
5．2．3　補充：反向傳播算法中的梯度計算
附錄A　Mac OS X和Windows環(huán)境的安裝方法
A．1　Mac OS X環(huán)境的準(zhǔn)備步驟
A．2　Windows 10環(huán)境的準(zhǔn)備步驟
附錄B　Python 2的基本語法
B．1　Hello， World!
B．2　字符串
B．3　列表與詞典
B．4　控制語句
B．5　函數(shù)與模塊
附錄C　數(shù)學(xué)公式