TensorFlow神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)：基于Python API的深度學(xué)習(xí)實(shí)戰(zhàn)

第1章緒論
1.1編程語言Python
1.1.1Python發(fā)展時(shí)間軸
1.1.2Python 2.x與Python 3.x
1.1.3選擇Python的原因
1.2機(jī)器學(xué)習(xí)框架TensorFlow
1.2.1TensorFlow發(fā)展時(shí)間軸
1.2.2選擇TensorFlow的原因
1.2.3TensorFlow 2.x的新特點(diǎn)
1.2.4TensorFlow的競爭產(chǎn)品
1.3安裝與環(huán)境設(shè)置
1.4硬件選項(xiàng)和要求
第2章機(jī)器學(xué)習(xí)簡介
2.1何為機(jī)器學(xué)習(xí)
2.2機(jī)器學(xué)習(xí)的范圍及相關(guān)鄰域
2.2.1人工智能
2.2.2深度學(xué)習(xí)
2.2.3數(shù)據(jù)科學(xué)
2.2.4大數(shù)據(jù)
2.2.5分類圖
2.3機(jī)器學(xué)習(xí)方式和模型
2.3.1監(jiān)督學(xué)習(xí)
2.3.2非監(jiān)督學(xué)習(xí)
2.3.3半監(jiān)督學(xué)習(xí)
2.3.4強(qiáng)化學(xué)習(xí)
2.4機(jī)器學(xué)習(xí)的基本步驟
2.4.1數(shù)據(jù)收集
2.4.2數(shù)據(jù)準(zhǔn)備
2.4.3模型選擇
2.4.4訓(xùn)練
2.4.5評(píng)價(jià)
2.4.6調(diào)優(yōu)超參數(shù)
2.4.7預(yù)測
2.5小結(jié)
第3章深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)概述
3.1神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)研究的時(shí)間軸
3.2人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
3.2.1McCullochPitts神經(jīng)元
3.2.2現(xiàn)代深度神經(jīng)網(wǎng)絡(luò)
3.3深度學(xué)習(xí)的優(yōu)化算法
3.3.1最優(yōu)化面臨的挑戰(zhàn)
3.3.2過度擬合與正則化
3.4小結(jié)
第4章TensorFlow 2.x的附加程序庫
4.1TensorFlow互補(bǔ)程序庫的安裝
4.1.1使用pip安裝
4.1.2程序庫的安裝
4.2常見程序庫
4.2.1NumPy——數(shù)組處理  
4.2.2SciPy——科學(xué)計(jì)算
4.2.3Pandas——數(shù)組處理與數(shù)據(jù)分析 
4.2.4Matplotlib和Seaborn——數(shù)據(jù)可視化  
4.2.5Scikitlearn——機(jī)器學(xué)習(xí)  
4.2.6Flask——部署 
4.3小結(jié)
第5章TensorFlow 2.0與深度學(xué)習(xí)流程
5.1TensorFlow基礎(chǔ)
5.1.1直接執(zhí)行
5.1.2張量
5.1.3TensorFlow變量
5.2TensorFlow深度學(xué)習(xí)流程
5.2.1數(shù)據(jù)加載與準(zhǔn)備
5.2.2構(gòu)建模型
5.2.3編譯、訓(xùn)練、評(píng)估模型并進(jìn)行預(yù)測
5.2.4保存并加載模型
5.3小結(jié)
第6章前饋神經(jīng)網(wǎng)絡(luò)
6.1深度和淺層前饋神經(jīng)網(wǎng)絡(luò)
6.1.1淺層前饋神經(jīng)網(wǎng)絡(luò)
6.1.2深度前饋神經(jīng)網(wǎng)絡(luò)
6.2前饋神經(jīng)網(wǎng)絡(luò)架構(gòu)
6.3案例分析： 燃油經(jīng)濟(jì)學(xué)與Auto MPG
6.3.1初始安裝和導(dǎo)入
6.3.2下載 Auto MPG數(shù)據(jù)
6.3.3數(shù)據(jù)準(zhǔn)備
6.3.4創(chuàng)建DataFrame
6.3.5丟棄空值
6.3.6處理分類變量
6.3.7將Auto MPG分為訓(xùn)練集和測試集
6.3.8模型構(gòu)建與訓(xùn)練
6.3.9結(jié)果評(píng)價(jià)
6.3.10使用新的觀測數(shù)據(jù)進(jìn)行預(yù)測
6.4小結(jié)
第7章卷積神經(jīng)網(wǎng)絡(luò)
7.1為什么選擇使用卷積神經(jīng)網(wǎng)絡(luò)
7.2CNN的架構(gòu)
7.2.1CNN中的網(wǎng)絡(luò)層
7.2.2完整的CNN模型
7.3案例研究： MNIST的圖像識(shí)別
7.3.1下載MNIST數(shù)據(jù)
7.3.2圖像的重塑與標(biāo)準(zhǔn)化
7.3.3構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)
7.3.4模型的編譯與調(diào)試
7.3.5評(píng)價(jià)模型
7.3.6保存訓(xùn)練完成的模型
7.4小結(jié)
第8章循環(huán)神經(jīng)網(wǎng)絡(luò)
8.1序列數(shù)據(jù)與時(shí)序數(shù)據(jù)
8.2RNN與序列數(shù)據(jù)
8.3RNN基礎(chǔ)
8.3.1RNN的歷史
8.3.2RNN的應(yīng)用
8.3.3RNN的運(yùn)作機(jī)制
8.3.4RNN的類型
8.4案例研究： IMDB影評(píng)的情緒分析
8.4.1為Colab準(zhǔn)備GPU加速訓(xùn)練
8.4.2基于TensorFlow導(dǎo)入的數(shù)據(jù)集加載
8.4.3構(gòu)建循環(huán)神經(jīng)網(wǎng)絡(luò)
8.5小結(jié)
第9章自然語言處理
9.1NLP的歷史
9.2NLP的實(shí)際應(yīng)用
9.3主要評(píng)估、技術(shù)、方法和任務(wù)
9.3.1形態(tài)句法學(xué)
9.3.2語義學(xué)
9.3.3語篇
9.3.4語音
9.3.5對(duì)話
9.3.6認(rèn)知
9.4自然語言工具包
9.5案例研究： 深度NLP的文本生成
9.5.1案例實(shí)現(xiàn)目標(biāo)
9.5.2莎士比亞語料庫
9.5.3初始導(dǎo)入
9.5.4加載語料庫
9.5.5文本向量化
9.5.6創(chuàng)建數(shù)據(jù)集
9.5.7模型構(gòu)建
9.5.8編譯并訓(xùn)練模型
9.5.9使用訓(xùn)練好的模型生成文本
9.6小結(jié)
第10章推薦系統(tǒng)
10.1構(gòu)建推薦系統(tǒng)的流行方法
10.1.1協(xié)同過濾方法
10.1.2基于內(nèi)容的過濾
10.1.3構(gòu)建推薦系統(tǒng)的其他方法
10.2案例開發(fā)： 深度協(xié)同過濾與MovieLens數(shù)據(jù)集
10.2.1初始導(dǎo)入
10.2.2加載數(shù)據(jù)
10.2.3數(shù)據(jù)處理
10.2.4拆分?jǐn)?shù)據(jù)集
10.2.5構(gòu)建模型
10.2.6編譯并訓(xùn)練模型
10.2.7進(jìn)行推薦
10.3小結(jié)
第11章自動(dòng)編碼器
11.1自動(dòng)編碼器的優(yōu)缺點(diǎn)
11.2自動(dòng)編碼器的架構(gòu)
11.2.1自動(dòng)編碼器的各個(gè)層
11.2.2深度的優(yōu)勢
11.3自動(dòng)編碼器的變體
11.3.1欠完備自動(dòng)編碼器
11.3.2正則化自動(dòng)編碼器
11.3.3變分自動(dòng)編碼器
11.4自動(dòng)編碼器的應(yīng)用
11.5案例研發(fā)： Fashion MNIST圖像降噪
11.5.1初始導(dǎo)入
11.5.2加載并處理數(shù)據(jù)
11.5.3向圖像中添加噪聲
11.5.4構(gòu)建模型
11.5.5噪聲圖像的降噪
11.6小結(jié)
第12章生成對(duì)抗網(wǎng)絡(luò)
12.1GAN方法
12.2架構(gòu)
12.2.1生成器網(wǎng)絡(luò)
12.2.2判別器網(wǎng)絡(luò)
12.2.3潛在空間層
12.2.4面臨的問題： 模式崩潰
12.2.5有關(guān)架構(gòu)的最后注解
12.3GAN的應(yīng)用
12.3.1藝術(shù)與時(shí)尚
12.3.2制造與研發(fā)
12.3.3電子游戲
12.3.4惡意應(yīng)用與深度偽造
12.3.5其他應(yīng)用
12.4案例研發(fā)： MNIST數(shù)據(jù)集的數(shù)字生成
12.4.1初始導(dǎo)入
12.4.2加載并處理MNIST數(shù)據(jù)集
12.4.3構(gòu)建GAN模型
12.4.4配置GAN模型
12.4.5訓(xùn)練GAN模型
12.4.6圖像生成函數(shù)
12.5小結(jié)
參考文獻(xiàn)