神經(jīng)網(wǎng)絡(luò)與深度學(xué)習(xí)：基于TensorFlow框架和Python技術(shù)實(shí)現(xiàn)

目    錄
第1章  緒論 1
1．1  人工智能 2
1．2  機(jī)器學(xué)習(xí) 3
1．2．1  監(jiān)督學(xué)習(xí) 3
1．2．2  非監(jiān)督學(xué)習(xí) 3
1．2．3  半監(jiān)督學(xué)習(xí) 4
1．3  深度學(xué)習(xí) 4
1．3．1  卷積神經(jīng)網(wǎng)絡(luò) 4
1．3．2  循環(huán)神經(jīng)網(wǎng)絡(luò) 5
1．4  實(shí)現(xiàn)工具 6
1．4．1  Python 6
1．4．2  TensorFlow 6
第2章  Python基礎(chǔ) 9
2．1  Python簡介 10
2．1．1  概述 10
2．1．2  Python的特點(diǎn) 10
2．1．3  Python的版本 11
2．2  Python的安裝 11
2．2．1  Python官網(wǎng)下載安裝 11
2．2．2  Anaconda的安裝 14
2．3  Spyder編輯器 16
2．3．1  Spyder界面 16
2．3．2  Spyder快捷鍵 19
2．4  Python基礎(chǔ)知識 19
2．4．1  基本語法 20
2．4．2  基本數(shù)據(jù)類型和運(yùn)算 23
2．4．3  列表、元組和字符串 25
2．4．4  字典和集合 32
2．4．5  分支和循環(huán) 35
2．4．6  函數(shù)和類 37
2．4．7  模塊 40
第3章  Python基礎(chǔ)庫 43
3．1  Numpy庫 44
3．1．1  創(chuàng)建數(shù)組 44
3．1．2  ndarray類 47
3．1．3  數(shù)組操作 48
3．1．4  形狀操作 55
3．2  Matplotlib庫 58
3．2．1  快速繪圖 58
3．2．2  繪制多軸圖 61
3．2．3  繪制3D圖 64
3．3  Scipy庫 67
3．3．1  scipy．io 67
3．3．2  scipy．linalg 68
3．3．3  scipy．fftpack 69
3．3．4  scipy．optimize 70
3．3．5  scipy．interpolate 71
3．3．6  scipy．stats 72
第4章  TensorFlow基礎(chǔ) 75
4．1  概述 76
4．2  TensorFlow的安裝 77
4．3  TensorFlow基本概念 79
4．3．1  Graph和Session 79
4．3．2  placeholder 82
4．3．3  tensor 82
4．3．4  Variable 85
4．3．5  fetch和feed 87
4．4  MNIST 89
4．4．1  MNIST簡介 89
4．4．2  MNIST解析 90
第5章  神經(jīng)網(wǎng)絡(luò)基礎(chǔ) 95
5．1  神經(jīng)網(wǎng)絡(luò)概述 96
5．1．1  神經(jīng)網(wǎng)絡(luò)常用術(shù)語 97
5．1．2  神經(jīng)網(wǎng)絡(luò)模型 99
5．1．3  神經(jīng)網(wǎng)絡(luò)的運(yùn)作 99
5．1．4  神經(jīng)網(wǎng)絡(luò)算法的特點(diǎn) 100
5．2  神經(jīng)元模型 101
5．3  激活函數(shù) 103
5．4．1  sigmoid函數(shù) 104
5．4．2  tanh函數(shù) 104
5．4．3  ReLU函數(shù) 105
5．4．4  softmax函數(shù) 106
5．4  損失函數(shù) 106
5．4．1  均方差函數(shù) 106
5．4．2  交叉熵函數(shù) 107
5．5  梯度下降算法 107
5．5．1  梯度下降算法推導(dǎo) 108
5．5．2  梯度下降算法種類 108
5．5  BP算法 109
5．5．1  BP網(wǎng)絡(luò)簡介 109
5．5．2  BP算法流程 110
5．6  仿真實(shí)例 112
第6章  神經(jīng)網(wǎng)絡(luò)基礎(chǔ)應(yīng)用 117
6．1  感知機(jī) 118
6．1．1  感知機(jī)網(wǎng)絡(luò)結(jié)構(gòu) 119
6．1．2  感知機(jī)學(xué)習(xí)規(guī)則 120
6．1．3  感知機(jī)網(wǎng)絡(luò)訓(xùn)練 120
6．1．5  仿真實(shí)例 121
6．2  線性回歸 123
6．2．1  線性回歸理論 123
6．2．2  仿真實(shí)例 126
6．3  邏輯回歸 129
6．3．1  邏輯回歸理論 129
6．3．2  仿真實(shí)例 131
第7章  卷積神經(jīng)網(wǎng)絡(luò) 137
7．1  概述 138
7．2  卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 139
7．2．1  卷積層 141
7．2．2  池化層 144
7．2．3  全連接層 147
7．2．4  Dropout 層 148
7．3  訓(xùn)練過程 148
7．4  卷積神經(jīng)網(wǎng)絡(luò)經(jīng)典模型 149
7．4．1  LeNet-5模型 149
7．4．2  AlexNet模型 150
7．5  仿真實(shí)例 152
第8章  循環(huán)神經(jīng)網(wǎng)絡(luò) 159
8．1  循環(huán)神經(jīng)網(wǎng)絡(luò)概述 160
8．1．1  循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 160
8．1．2  循環(huán)神經(jīng)網(wǎng)絡(luò)前向傳播 162
8．1．3  循環(huán)神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法 163
8．2  長短時(shí)記憶網(wǎng)絡(luò)（LSTM） 163
8．2．1  LSTM結(jié)構(gòu) 164
8．2．2  LSTM前向計(jì)算 165
8．2．3  LSTM訓(xùn)練算法 169
8．2．4  LSTM程序?qū)崿F(xiàn) 169
8．3  循環(huán)神經(jīng)網(wǎng)絡(luò)的變種 170
8．3．1  雙向循環(huán)神經(jīng)網(wǎng)絡(luò) 170
8．3．2  深層循環(huán)神經(jīng)網(wǎng)絡(luò) 171
8．4  仿真實(shí)例 172
附錄A  Python主要函數(shù) 181
附錄B  TensorFlow主要函數(shù) 189
參考文獻(xiàn) 198