深度學(xué)習(xí)入門與實(shí)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(jī)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(diǎn)
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(shí)現(xiàn)
1．3．3　通過(guò)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(píng)價(jià)
2．1．2　通過(guò)TensorFlow執(zhí)行最大似然估計(jì)
2．1．3　通過(guò)測(cè)試集驗(yàn)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(guò)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(shí)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(jī)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(diǎn)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(guò)TensorBoard確認(rèn)網(wǎng)絡(luò)圖
3．3　擴(kuò)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(bǔ)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(yùn)用卷積核
4．1．3　通過(guò)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(dòng)態(tài)學(xué)習(xí)
4．3　應(yīng)用卷積核進(jìn)行手寫數(shù)字識(shí)別分類
4．3．1　保存Session信息的功能
4．3．2　通過(guò)單層CNN對(duì)手寫數(shù)字進(jìn)行識(shí)別分類
4．3．3　確認(rèn)動(dòng)態(tài)學(xué)習(xí)的卷積核
第5章　應(yīng)用卷積核多層化實(shí)現(xiàn)性能提升
5．1　完成卷積神經(jīng)網(wǎng)絡(luò)
5．1．1　通過(guò)多層卷積核抽取特征
5．1．2　用TensorFlow實(shí)現(xiàn)多層CNN
5．1．3　自動(dòng)識(shí)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(guò)“A Neural Network Playground”進(jìn)行直觀理解
5．2．3　補(bǔ)充：反向傳播算法中的梯度計(jì)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(yǔ)法
B．1　Hello， World!
B．2　字符串
B．3　列表與詞典
B．4　控制語(yǔ)句
B．5　函數(shù)與模塊
附錄C　數(shù)學(xué)公式