鏈接：https://pan.baidu.com/s/1F8wia4jU7CdP82yoC1XkvQ
提取碼：1xmx
內容簡介
本書是由人工智能一線從業專家根據自己日常工作的體會與經驗總結而成的，在對TensorFlowr的基礎知識、環境搭建、神經網絡、常用技術的詳細講解當中穿插了自己實戰的經驗與教訓。更與衆不同的是，本書詳細地解析了使用TensorFlow進行深度學習領域中常用模型的搭建、調參和部署整個流程，以及數據集的使用方法，能夠幫助您快速理解和掌握TensorFlow相關技術，最後還用實戰項目幫助您快速地學會TensorFlow開發，並使用TensorFlow技術來解決實際問題。本書代碼主要是在1.6版本的基礎上進行開發的，同時兼容1.2~1.10的版本，並已得到驗證。本書主要面向對TensorFlow、深度學習、人工智能具有強烈興趣且希望儘快入門的相關從業人員、高校相關專業的教育工作者和在校學生，以及正在從事深度學習工作且希望深入的數據科學家、軟件工程師、大數據平臺工程師、項目管理者等。
作者簡介
黃鴻波，珠海金山辦公軟件有限公司（WPS）人工智能領域專家，高級算法工程師，擁有多年軟件開發經驗。曾在格力電器股份有限公司大數據中心擔任人工智能領域專家，且在多家公司擔任過高級工程師，技術經理，技術總監等職務。曾帶領團隊開發過基於人臉識別技術的智能支付系統、推薦系統、知識圖譜、智能問答系統等。擅長數據挖掘、機器學習、移動開發等專業領域，並擁有豐富的實戰經驗。
目錄
內容簡介
推薦序
前 言
第1章 人工智能與深度學習
1.1 人工智能與機器學習
1.2 無處不在的深度學習
1.3 如何入門深度學習
1.4 主流深度學習框架介紹
第2章 搭建TensorFlow環境
2.1 基於pip安裝
2.1.1 基於Windows環境安裝TensorFlow
2.1.2 基於Linux環境安裝TensorFlow
2.2 基於Java安裝TensorFlow
2.3 安裝TensorFlow的常用依賴模塊
2.4 Hello TensorFlow
2.4.1 MNIST數據集
2.4.2 編寫訓練程序
2.5 小結
第3章 TensorFlow基礎
3.1 TensorFlow的系統架構
3.1.1 Client
3.1.2 Distributed Master
3.1.3 Worker Service
3.1.4 Kernel Implements
3.2 TensorFlow的數據結構——張量
3.2.1 什麼是張量
3.2.2 張量的階
3.2.3 張量的形狀
3.2.4 數據類型
3.3 TensorFlow的計算模型——圖
3.3.1 計算圖基礎
3.3.2 計算圖的組成
3.3.3 計算圖的使用
3.3.4 小結
3.4 TensorFlow中的會話——Session
第4章 TensorFlow中常用的激活函數與神經網絡
4.1 激活函數的概念
4.2 常用的激活函數
4.2.1 Sigmoid函數
4.2.2 Tanh函數
4.2.3 ReLU函數
4.2.4 Softplus函數
4.2.5 Softmax函數
4.2.6 小結
4.3 損失函數的概念
4.4 損失函數的分類
4.5 常用的損失函數
4.5.1 0-1損失函數
4.5.2 Log損失函數
4.5.3 Hinge損失函數
4.5.4 指數損失
4.5.5 感知機損失
4.5.6 平方（均方）損失函數
4.5.7 絕對值損失函數
4.5.8 自定義損失函數
4.6 正則項
4.6.1 L0範數和L1範數
4.6.2 L2範數
4.6.3 核範數
4.7 規則化參數
4.8 易混淆的概念
4.9 神經網絡的優化方法
4.9.1 梯度下降算法
4.9.2 隨機梯度下降算法
4.9.3 其他的優化算法
4.9.4 小結
4.10 生成式對抗網絡（GAN）
4.10.1 CGAN
4.10.2 DCGAN
4.10.3 WGAN
4.10.4 LSGAN
4.10.5 BEGAN
第5章 卷積神經網絡
5.1 神經網絡簡介
5.1.1 神經元與神經網絡
5.1.2 感知器（單層神經網絡）與多層感知器
5.2 圖像識別問題
5.3 常用的圖像庫介紹
5.4 卷積神經網絡簡介
5.4.1 CNN的基本原理與卷積核
5.4.2 池化
5.4.3 再探ReLU
5.5 CNN模型
5.5.1 LeNet-5模型
5.5.2 AlexNet模型
5.5.3 Inception模型
5.6 用CNN實現MNIST訓練
第6章 循環神經網絡
6.1 初識循環神經網絡
6.1.1 前饋神經網絡
6.1.2 神經網絡中的時序信息
6.2 詳解循環神經網絡
6.3 RNN的變種——雙向RNN
6.4 One-Hot Encoding
6.5 詞向量和word2vec
6.5.1 CBOW模型
6.5.2 Skip-Gram模型
6.6 梯度消失問題和梯度爆炸問題
6.6.1 梯度下降
6.6.2 解決梯度消失和梯度爆炸問題的方法
6.7 RNN的變種——LSTM
6.8 寫詩機器人
第7章 TensorFlow的可視化
7.1 TensorBoard簡介
7.2 生成和使用TensorBoard
7.3 TensorBoard的面板展示
7.4 小結
第8章 TensorFlow中的數據操作
8.1 製作TFRecords數據集
8.2 Dataset API介紹
8.3 TensorFlow中的隊列
第9章 支持向量機（SVM）
9.1 什麼是支持向量機
9.2 計算最優超平面
9.3 TensorFlow實現線性SVM
9.4 非線性SVM介紹
9.5 使用TensorFlow實現非線性SVM分類器
第10章 TensorFlow結合Flask發佈MNIST模型
10.1 Flask框架介紹
10.2 訓練MNIST模型
10.3 小結
第11章 TensorFlow模型的發佈與部署
11.1 TensorFlow Serving的前導知識
11.2 TensorFlow Serving 模型打包
11.3 TensorFlow Serving模型的部署和調用
第12章 TensorFlow Lite牛刀小試
12.1 什麼是TensorFlow Lite
12.2 如何使用TensorFlow Lite模型
12.3 TensorFlow Lite與Android結合實現圖像識別
第13章 TensorFlow GPU
13.1 什麼是GPU
13.2 GPU的選擇
13.3 搭建TensorFlow GPU
13.3.1 在Windows上搭建TensorFlow GPU
13.3.2 在Linux上搭建TensorFlow GPU
13.4 使用TensorFlow GPU進行訓練
第14章 TensorFlow與目標檢測
14.1 傳統目標檢測方法
14.2 RCNN介紹
14.3 Fast-RCNN
14.4 Faster-RCNN
14.5 YOLO
附錄A TensorFlow歷代版本更新內容
A.1 TensorFlow 1.3版本更新內容
A.2 TensorFlow 1.4版本更新內容
A.3 TensorFlow 1.5版本更新內容
A.4 TensorFlow 1.6版本更新內容
A.5 TensorFlow 1.7版本更新內容
A.6 TensorFlow 1.8版本更新內容
A.7 TensorFlow 1.9版本更新內容