TensorFlow神經(jīng)網(wǎng)絡設計：基于Python API的深度學習實戰(zhàn)

第1章緒論
1.1編程語言Python
1.1.1Python發(fā)展時間軸
1.1.2Python 2.x與Python 3.x
1.1.3選擇Python的原因
1.2機器學習框架TensorFlow
1.2.1TensorFlow發(fā)展時間軸
1.2.2選擇TensorFlow的原因
1.2.3TensorFlow 2.x的新特點
1.2.4TensorFlow的競爭產(chǎn)品
1.3安裝與環(huán)境設置
1.4硬件選項和要求
第2章機器學習簡介
2.1何為機器學習
2.2機器學習的范圍及相關鄰域
2.2.1人工智能
2.2.2深度學習
2.2.3數(shù)據(jù)科學
2.2.4大數(shù)據(jù)
2.2.5分類圖
2.3機器學習方式和模型
2.3.1監(jiān)督學習
2.3.2非監(jiān)督學習
2.3.3半監(jiān)督學習
2.3.4強化學習
2.4機器學習的基本步驟
2.4.1數(shù)據(jù)收集
2.4.2數(shù)據(jù)準備
2.4.3模型選擇
2.4.4訓練
2.4.5評價
2.4.6調(diào)優(yōu)超參數(shù)
2.4.7預測
2.5小結(jié)
第3章深度學習與神經(jīng)網(wǎng)絡概述
3.1神經(jīng)網(wǎng)絡和深度學習研究的時間軸
3.2人工神經(jīng)網(wǎng)絡的結(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
3.3深度學習的優(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——科學計算
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——機器學習  
4.2.6Flask——部署 
4.3小結(jié)
第5章TensorFlow 2.0與深度學習流程
5.1TensorFlow基礎
5.1.1直接執(zhí)行
5.1.2張量
5.1.3TensorFlow變量
5.2TensorFlow深度學習流程
5.2.1數(shù)據(jù)加載與準備
5.2.2構(gòu)建模型
5.2.3編譯、訓練、評估模型并進行預測
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
6.1深度和淺層前饋神經(jīng)網(wǎng)絡
6.1.1淺層前饋神經(jīng)網(wǎng)絡
6.1.2深度前饋神經(jīng)網(wǎng)絡
6.2前饋神經(jīng)網(wǎng)絡架構(gòu)
6.3案例分析： 燃油經(jīng)濟學與Auto MPG
6.3.1初始安裝和導入
6.3.2下載 Auto MPG數(shù)據(jù)
6.3.3數(shù)據(jù)準備
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分為訓練集和測試集
6.3.8模型構(gòu)建與訓練
6.3.9結(jié)果評價
6.3.10使用新的觀測數(shù)據(jù)進行預測
6.4小結(jié)
第7章卷積神經(jīng)網(wǎng)絡
7.1為什么選擇使用卷積神經(jīng)網(wǎng)絡
7.2CNN的架構(gòu)
7.2.1CNN中的網(wǎng)絡層
7.2.2完整的CNN模型
7.3案例研究： MNIST的圖像識別
7.3.1下載MNIST數(shù)據(jù)
7.3.2圖像的重塑與標準化
7.3.3構(gòu)建卷積神經(jīng)網(wǎng)絡
7.3.4模型的編譯與調(diào)試
7.3.5評價模型
7.3.6保存訓練完成的模型
7.4小結(jié)
第8章循環(huán)神經(jīng)網(wǎng)絡
8.1序列數(shù)據(jù)與時序數(shù)據(jù)
8.2RNN與序列數(shù)據(jù)
8.3RNN基礎
8.3.1RNN的歷史
8.3.2RNN的應用
8.3.3RNN的運作機制
8.3.4RNN的類型
8.4案例研究： IMDB影評的情緒分析
8.4.1為Colab準備GPU加速訓練
8.4.2基于TensorFlow導入的數(shù)據(jù)集加載
8.4.3構(gòu)建循環(huán)神經(jīng)網(wǎng)絡
8.5小結(jié)
第9章自然語言處理
9.1NLP的歷史
9.2NLP的實際應用
9.3主要評估、技術(shù)、方法和任務
9.3.1形態(tài)句法學
9.3.2語義學
9.3.3語篇
9.3.4語音
9.3.5對話
9.3.6認知
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案例實現(xiàn)目標
9.5.2莎士比亞語料庫
9.5.3初始導入
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編譯并訓練模型
9.5.9使用訓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初始導入
10.2.2加載數(shù)據(jù)
10.2.3數(shù)據(jù)處理
10.2.4拆分數(shù)據(jù)集
10.2.5構(gòu)建模型
10.2.6編譯并訓練模型
10.2.7進行推薦
10.3小結(jié)
第11章自動編碼器
11.1自動編碼器的優(yōu)缺點
11.2自動編碼器的架構(gòu)
11.2.1自動編碼器的各個層
11.2.2深度的優(yōu)勢
11.3自動編碼器的變體
11.3.1欠完備自動編碼器
11.3.2正則化自動編碼器
11.3.3變分自動編碼器
11.4自動編碼器的應用
11.5案例研發(fā)： Fashion MNIST圖像降噪
11.5.1初始導入
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章生成對抗網(wǎng)絡
12.1GAN方法
12.2架構(gòu)
12.2.1生成器網(wǎng)絡
12.2.2判別器網(wǎng)絡
12.2.3潛在空間層
12.2.4面臨的問題： 模式崩潰
12.2.5有關架構(gòu)的最后注解
12.3GAN的應用
12.3.1藝術(shù)與時尚
12.3.2制造與研發(fā)
12.3.3電子游戲
12.3.4惡意應用與深度偽造
12.3.5其他應用
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訓練GAN模型
12.4.6圖像生成函數(shù)
12.5小結(jié)
參考文獻