基于TensorFlow的深度學(xué)習(xí)

前言 1
第1章 深度學(xué)習(xí)概述 5
1.1 機(jī)器學(xué)習(xí)吞噬計算機(jī)科學(xué) .5
1.2 深度學(xué)習(xí)原型 6
1.3 深度學(xué)習(xí)架構(gòu) 10
1.4 深度學(xué)習(xí)框架 19
1.5 小結(jié) 20
第2章 TensorFlow原型概述 21
2.1 張量介紹 21
2.2 TensorFlow中的基本計算 32
2.3 命令式和聲明式編程 40
2.4 小結(jié) 44
第3章 使用TensorFlow進(jìn)行線性和Logistic回歸 45
3.1 數(shù)學(xué)回顧 45
3.2 學(xué)習(xí)TensorFlow 56
3.3 在TensorFlow中訓(xùn)練線性和Logistics模型 66
3.4 小結(jié) 78
第4章 全連接深層網(wǎng)絡(luò) 81
4.1 什么是全連接深層網(wǎng)絡(luò)？ 81
4.2 全連接網(wǎng)絡(luò)中的“神經(jīng)元”.83
4.3 訓(xùn)練全連接神經(jīng)網(wǎng)絡(luò) 89
4.4 在TensorFlow中實現(xiàn) 95
4.5 小結(jié) .100
第5章 超參數(shù)優(yōu)化 103
5.1 模型評估與超參數(shù)優(yōu)化 .104
5.2 指標(biāo)，指標(biāo)，指標(biāo) 105
5.3 超參數(shù)調(diào)優(yōu)算法 111
5.4 小結(jié) .117
第6章 卷積神經(jīng)網(wǎng)絡(luò) 118
6.1卷積結(jié)構(gòu)概述 119
6.2 卷積網(wǎng)絡(luò)的應(yīng)用 125
6.3 用TensorFlow訓(xùn)練卷積網(wǎng)絡(luò) 132
6.4 小結(jié) .144
第7章 遞歸神經(jīng)網(wǎng)絡(luò) 145
7.1 遞歸結(jié)構(gòu)概述 .146
7.2 循環(huán)神經(jīng)元 148
7.3 遞歸模型的應(yīng)用 150
7.4 神經(jīng)網(wǎng)絡(luò)圖靈機(jī) 153
7.5 遞歸神經(jīng)網(wǎng)絡(luò)的實際應(yīng)用 155
7.6 處理Penn Treebank語料庫 155
7.7 小結(jié) 163
第8章 強(qiáng)化學(xué)習(xí) 164
8.1 馬爾科夫決策過程 .168
8.2 強(qiáng)化學(xué)習(xí)算法 .170
8.3 強(qiáng)化學(xué)習(xí)的局限性 .174
8.4 玩轉(zhuǎn)tic-tac-toe 175
8.5 A3C算法 187
8.6 小結(jié) .196
第9章 訓(xùn)練大型深度網(wǎng)絡(luò) .198
9.1 為深度網(wǎng)絡(luò)自定義硬件 .198
9.2 使用CPU訓(xùn)練 199
9.3 分布式深度網(wǎng)絡(luò)訓(xùn)練 204
9.4 在Cifar10上與多GPS進(jìn)行數(shù)據(jù)并行訓(xùn)練 206
9.5 小結(jié) .215
第10章 深度學(xué)習(xí)的未來 216
10.1 技術(shù)行業(yè)以外的深度學(xué)習(xí) .216
10.2 道德地使用深度學(xué)習(xí) 219
10.3 通用人工智能是否迫在眉睫？ .221
10.4 接下來，何去何從？ 222