目錄
第一部分TensorFlow 2基本內容介紹
第1章TensorFlow 2 簡介
1．1初識TensorFlow生態(tài)系統
1．2TensorFlow的安裝
1．3內務管理和Eager操作
1．3．1導入TensorFlow
1．3．2TensorFlow的編碼風格約定
1．3．3動態(tài)圖機制
1．3．4聲明Eager變量
1．3．5聲明TensorFlow常量
1．3．6創(chuàng)建tensor張量
1．3．7張量的秩(維數)
1．3．8指定張量的元素
1．3．9將張量轉換為NumPy/Python變量
1．3．10計算張量的大小(元素數)
1．3．11查看張量的數據類型
1．3．12張量元素的基本運算規(guī)則
1．3．13廣播機制
1．3．14TensorFlow轉置和矩陣乘法
1．3．15張量數據類型的轉換
1．3．16聲明不規(guī)則張量
1．4TensorFlow的基本操作
1．4．1計算張量的平方差
1．4．2計算平均值
1．4．3隨機初始化張量
1．4．4查找最大和最小元素的索引
1．4．5使用檢查點保存和恢復張量值
1．4．6tf．function
1．5小結
第2章TensorFlow 2的高級API——Keras
2．1Keras的使用情況及優(yōu)勢
2．2Keras特性
2．3Keras默認配置文件
2．4Keras后端
2．5Keras數據類型
2．6Keras模型
2．6．1Keras序列模型
2．6．2Keras函數式API
2．6．3子類化Keras模型類
2．6．4使用數據管道
2．6．5保存和加載Keras模型
2．6．6Keras數據集
2．7小結
第3章基于TensorFlow 2的ANN技術
3．1獲取數據集
3．1．1從NumPy數組獲取數據
3．1．2從CSV文件獲取數據
3．1．3使用TFRecords存取數據
3．1．4使用獨熱編碼處理數據
3．2ANN層
3．2．1全連接層
3．2．2卷積層
3．2．3最大池化層
3．2．4批標準化層和Dropout層
3．2．5Softmax層
3．3激活函數
3．4創(chuàng)建模型
3．5梯度計算
3．6損失函數
3．7小結
第二部分TensorFlow 2中的有監(jiān)督和無監(jiān)督學習
第4章基于TensorFlow 2的有監(jiān)督學習
4．1有監(jiān)督學習
4．2線性回歸
4．3第一個線性回歸示例
4．4波士頓房價數據集
4．5邏輯回歸(分類)
4．6k最近鄰(KNN)
4．7小結
第5章基于TensorFlow 2的無監(jiān)督學習
5．1自動編碼器
5．2一個簡單的自動編碼器
5．2．1數據預處理
5．2．2訓練
5．2．3結果顯示
5．3自動編碼器的應用——去噪
5．3．1設置
5．3．2數據預處理
5．3．3帶噪聲的圖像
5．3．4創(chuàng)建編碼層
5．3．5創(chuàng)建解碼層
5．3．6模型概要
5．3．7模型實例化、編譯和訓練
5．3．8圖像去噪
5．3．9TensorBoard輸出
5．4小結
第三部分TensorFlow 2的神經網絡應用
第6章基于TensorFlow 2的圖像識別
6．1基于TensorFlow的Quick Draw圖像分類
6．1．1數據獲取
6．1．2設置環(huán)境
6．1．3數據預處理
6．1．4模型創(chuàng)建
6．1．5模型訓練和測試
6．1．6TensorBoard回調函數
6．1．7模型保存、加載和重新測試
6．1．8用．h5格式保存和加載NumPy圖像數據
6．1．9預訓練模型的加載和使用
6．2基于TensorFlow的CIFAR 10圖像分類
6．2．1簡介
6．2．2應用
6．3小結
第7章基于TensorFlow 2的圖像風格遷移
7．1導入配置
7．2圖像預處理
7．3查看原始圖像
7．4使用VGG19架構
7．5創(chuàng)建模型
7．6計算損失
7．7執(zhí)行風格遷移
7．8最終展示
7．9小結
第8章基于TensorFlow 2的循環(huán)神經網絡
8．1神經網絡處理模式
8．2循環(huán)結構
8．3RNN的應用
8．4RNN代碼示例
8．5模型構建與實例化
8．6模型訓練與使用
8．7小結
第9章TensorFlow Estimators和TensorFlow Hub
9．1TensorFlow Estimators
9．2TensorFlow Hub
9．2．1IMDB(電影評論數據庫)
9．2．2數據集
9．2．3代碼
9．3小結
附錄從tf1．12轉換為tf2
鄂公網安備 42010302001612號 