從AI模型到智能機(jī)器人：基于 Python 與 TensorFlow

第1章 AI與面向?qū)ο驪ython\t1
1．1 AI思維簡(jiǎn)史\t2
1．2 Python語(yǔ)言與AI\t2
1．3 布置Python開(kāi)發(fā)環(huán)境\t3
1．4 開(kāi)始編寫(xiě)Python程序\t6
1．5 面向?qū)ο螅∣bject-Oriented）入門(mén)\t10
1．5．1 對(duì)象（Object）\t10
1．5．2 消息（Message）\t10
1．5．3 事件（Event）\t10
1．6 軟件中的對(duì)象（Object）\t11
1．6．1 抽象\t11
1．6．2 抽象表示\t12
1．6．3 數(shù)據(jù)和函數(shù)\t12
1．6．4 歷史的足跡\t12
1．7 對(duì)象與變量（Variable）\t13
1．7．1 數(shù)據(jù)類(lèi)型\t13
1．7．2 變量即對(duì)象\t14
1．8 對(duì)象與函數(shù)（Function）\t17
1．8．1 函數(shù)的角色\t17
1．8．2 事件驅(qū)動(dòng)觀念\t18
1．9 自然界的分類(lèi)\t19
1．9．1 分類(lèi)與抽象\t19
1．9．2 對(duì)象與類(lèi)\t19
1．9．3 類(lèi)的體系\t20
1．10 軟件的分類(lèi)\t21
1．10．1 類(lèi)是數(shù)據(jù)類(lèi)型\t21
1．10．2 類(lèi)的用途：描述對(duì)象的屬性與行為\t22
第2章 Python的對(duì)象與類(lèi)\t24
2．1 OOP入門(mén)\t25
2．2 對(duì)象的概念\t25
2．3 對(duì)象分類(lèi)與組合\t27
2．3．1 類(lèi)的永恒性\t27
2．3．2 將對(duì)象分門(mén)別類(lèi)\t27
2．3．3 對(duì)象的組合關(guān)系\t28
2．4 AKO抽象關(guān)系\t30
2．5 對(duì)象行為與接口\t36
2．5．1 接口入門(mén)\t36
2．5．2 消息傳遞與對(duì)象行為\t37
2．5．3 對(duì)象的運(yùn)算行為\t38
第3章 善用類(lèi)\t46
3．1 如何描述對(duì)象：善用類(lèi)\t47
3．2 如何創(chuàng)建軟件對(duì)象\t48
3．3 對(duì)象參考\t49
3．4 構(gòu)造函數(shù)\t52
3．5 子類(lèi)如何創(chuàng)建對(duì)象\t54
第4章 對(duì)象的組合\t58
4．1 認(rèn)識(shí) self 參考\t59
4．2 建立對(duì)象的包含關(guān)系\t60
4．3 self 參考值的妙用\t64
4．4 包容多樣化物件\t71
4．5 集合對(duì)象\t73
第5章 類(lèi)的封裝性\t76
5．1 對(duì)象的封裝性\t77
5．2 類(lèi)：創(chuàng)造對(duì)象的封裝性\t77
5．3 類(lèi)的私有屬性與函數(shù)\t81
5．4 類(lèi)級(jí)別的屬性\t89
5．5 類(lèi)級(jí)別的函數(shù)\t93
第6章 類(lèi)的繼承體系\t96
6．1 繼承的意義\t97
6．2 建立類(lèi)繼承體系\t98
6．3 函數(shù)覆寫(xiě)的意義\t108
第7章 活用抽象類(lèi)\t111
7．1 抽象類(lèi)與繼承體系\t112
7．2 Python抽象類(lèi)的表示法\t112
7．2．1 一般具象類(lèi)\t112
7．2．2 抽象類(lèi)\t114
7．3 從“抽象類(lèi)”衍生“具象類(lèi)”\t115
7．4 抽象類(lèi)的妙用：默認(rèn)行為\t118
7．4．1 Python默認(rèn)行為的表示法\t118
7．4．2 默認(rèn)行為的意義\t120
7．5 默認(rèn)函數(shù)的妙用：反向調(diào)用\t120
第8章 發(fā)揮“多態(tài)性”\t127
8．1 “多態(tài)性”的意義\t128
8．1．1 自然界的多態(tài)性\t128
8．1．2 多態(tài)性物體\t129
8．2 多態(tài)函數(shù)\t130
8．3 可覆寫(xiě)函數(shù)\t132
第9章 如何設(shè)計(jì)抽象類(lèi)\t138
9．1 抽象：抽出共同的現(xiàn)象\t139
9．2 抽象的步驟\t141
9．2．1 Step 1： 抽出名稱(chēng)、引數(shù)及內(nèi)容都一致的函數(shù)\t147
9．2．2 Step 2： 抽出名稱(chēng)相同、參數(shù)及內(nèi)容有差異的函數(shù)\t149
9．3 洞悉“變”與“不變”\t152
9．4 著手設(shè)計(jì)抽象類(lèi)\t154
第10章 接口與抽象類(lèi)\t160
10．1 接口的意義\t161
10．2 以 Python 抽象類(lèi)來(lái)實(shí)現(xiàn)接口\t162
10．3 接口設(shè)計(jì)實(shí)例一：并聯(lián)電池對(duì)象\t167
10．3．1 不理解原理但也能用\t167
10．3．2 實(shí)現(xiàn)步驟\t169
10．4 接口設(shè)計(jì)實(shí)例二：串聯(lián)電池對(duì)象\t172
10．4．1 基本設(shè)計(jì)\t172
10．4．2 實(shí)現(xiàn)步驟\t173
10．4．3 總結(jié)\t176
10．5 接口設(shè)計(jì)實(shí)例三：Chain Of Responsibility設(shè)計(jì)模式\t177
第11章 不插電學(xué)AI\t183
11．1 “不插電學(xué)AI”的意義\t184
11．2 AlphaGo的驚人學(xué)習(xí)能力\t184
11．3 范例：一只老鼠的探索及學(xué)習(xí)\t184
11．4 記錄老鼠的探索選擇及結(jié)果\t186
11．5 老鼠當(dāng)教練：訓(xùn)練AI機(jī)器人\t188
11．5．1 以簡(jiǎn)單算數(shù)，讓機(jī)器人表達(dá)智能\t188
11．5．2 機(jī)器人智能的提升過(guò)程\t189
11．5．3 一回生、兩回熟\t191
11．5．4 三回變高手\t192
11．5．5 第四回合訓(xùn)練：邁向完美\t194
11．5．6 重新檢測(cè)一次\t195
第12章 撰寫(xiě)單層Perceptron程序\t198
12．1 開(kāi)始“插電學(xué)AI”：使用Python\t199
12．2 展開(kāi)第#0組數(shù)據(jù)的訓(xùn)練\t200
12．3 進(jìn)行更多組數(shù)據(jù)的訓(xùn)練\t202
12．4 加入學(xué)習(xí)率\t206
12．5 增添一個(gè)Training類(lèi)\t209
12．6 一個(gè)更詳細(xì)的Perceptron代碼\t213
第13章 使用TensorFlow編程\t225
13．1 TensorFlow入門(mén)\t226
13．2 安裝TensorFlow環(huán)境\t226
13．3 開(kāi)始使用TensorFlow\t230
13．4 展開(kāi)第1回合的訓(xùn)練：以老鼠教練為例\t237
13．5 展開(kāi)100回合更周全的訓(xùn)練\t240
13．6 設(shè)計(jì)Perceptron類(lèi)\t243
13．7 采用TensorFlow的損失函數(shù)\t245
13．8 撰寫(xiě)多層Perceptron程序\t248
第14章 TensorFlow應(yīng)用范例\t251
14．1 mnist手寫(xiě)數(shù)字識(shí)別范例\t252
14．2 開(kāi)始訓(xùn)練 NN 模型\t256
14．3 改進(jìn) NN 模型：建立兩層Perceptron\t260
14．4 改進(jìn) NN 模型：建立三層Perceptron\t263
14．5 撰寫(xiě)一個(gè)MLP類(lèi)\t265
第15章 如何導(dǎo)出AI模型\t268
15．1　導(dǎo)出模型入門(mén)\t269
15．2 機(jī)器人：像老鼠一樣學(xué)習(xí)\t270
15．3 基于TensorFlow建立AI模型\t270
15．4 存入Checkpoint文件\t272
15．5　讀取Checkpoint文件\t275
15．6 讀取流圖定義文件\t277
15．7 導(dǎo)出模型：寫(xiě)入．pb文件\t280
15．8 導(dǎo)入模型，讀?。畃b文件\t284