链接：https://pan.baidu.com/s/1F8wia4jU7CdP82yoC1XkvQ
提取码：1xmx
内容简介
本书是由人工智能一线从业专家根据自己日常工作的体会与经验总结而成的，在对TensorFlowr的基础知识、环境搭建、神经网络、常用技术的详细讲解当中穿插了自己实战的经验与教训。更与众不同的是，本书详细地解析了使用TensorFlow进行深度学习领域中常用模型的搭建、调参和部署整个流程，以及数据集的使用方法，能够帮助您快速理解和掌握TensorFlow相关技术，最后还用实战项目帮助您快速地学会TensorFlow开发，并使用TensorFlow技术来解决实际问题。本书代码主要是在1.6版本的基础上进行开发的，同时兼容1.2~1.10的版本，并已得到验证。本书主要面向对TensorFlow、深度学习、人工智能具有强烈兴趣且希望尽快入门的相关从业人员、高校相关专业的教育工作者和在校学生，以及正在从事深度学习工作且希望深入的数据科学家、软件工程师、大数据平台工程师、项目管理者等。
作者简介
黄鸿波，珠海金山办公软件有限公司（WPS）人工智能领域专家，高级算法工程师，拥有多年软件开发经验。曾在格力电器股份有限公司大数据中心担任人工智能领域专家，且在多家公司担任过高级工程师，技术经理，技术总监等职务。曾带领团队开发过基于人脸识别技术的智能支付系统、推荐系统、知识图谱、智能问答系统等。擅长数据挖掘、机器学习、移动开发等专业领域，并拥有丰富的实战经验。
目录
内容简介
推荐序
前 言
第1章 人工智能与深度学习
1.1 人工智能与机器学习
1.2 无处不在的深度学习
1.3 如何入门深度学习
1.4 主流深度学习框架介绍
第2章 搭建TensorFlow环境
2.1 基于pip安装
2.1.1 基于Windows环境安装TensorFlow
2.1.2 基于Linux环境安装TensorFlow
2.2 基于Java安装TensorFlow
2.3 安装TensorFlow的常用依赖模块
2.4 Hello TensorFlow
2.4.1 MNIST数据集
2.4.2 编写训练程序
2.5 小结
第3章 TensorFlow基础
3.1 TensorFlow的系统架构
3.1.1 Client
3.1.2 Distributed Master
3.1.3 Worker Service
3.1.4 Kernel Implements
3.2 TensorFlow的数据结构——张量
3.2.1 什么是张量
3.2.2 张量的阶
3.2.3 张量的形状
3.2.4 数据类型
3.3 TensorFlow的计算模型——图
3.3.1 计算图基础
3.3.2 计算图的组成
3.3.3 计算图的使用
3.3.4 小结
3.4 TensorFlow中的会话——Session
第4章 TensorFlow中常用的激活函数与神经网络
4.1 激活函数的概念
4.2 常用的激活函数
4.2.1 Sigmoid函数
4.2.2 Tanh函数
4.2.3 ReLU函数
4.2.4 Softplus函数
4.2.5 Softmax函数
4.2.6 小结
4.3 损失函数的概念
4.4 损失函数的分类
4.5 常用的损失函数
4.5.1 0-1损失函数
4.5.2 Log损失函数
4.5.3 Hinge损失函数
4.5.4 指数损失
4.5.5 感知机损失
4.5.6 平方（均方）损失函数
4.5.7 绝对值损失函数
4.5.8 自定义损失函数
4.6 正则项
4.6.1 L0范数和L1范数
4.6.2 L2范数
4.6.3 核范数
4.7 规则化参数
4.8 易混淆的概念
4.9 神经网络的优化方法
4.9.1 梯度下降算法
4.9.2 随机梯度下降算法
4.9.3 其他的优化算法
4.9.4 小结
4.10 生成式对抗网络（GAN）
4.10.1 CGAN
4.10.2 DCGAN
4.10.3 WGAN
4.10.4 LSGAN
4.10.5 BEGAN
第5章 卷积神经网络
5.1 神经网络简介
5.1.1 神经元与神经网络
5.1.2 感知器（单层神经网络）与多层感知器
5.2 图像识别问题
5.3 常用的图像库介绍
5.4 卷积神经网络简介
5.4.1 CNN的基本原理与卷积核
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实现MNIST训练
第6章 循环神经网络
6.1 初识循环神经网络
6.1.1 前馈神经网络
6.1.2 神经网络中的时序信息
6.2 详解循环神经网络
6.3 RNN的变种——双向RNN
6.4 One-Hot Encoding
6.5 词向量和word2vec
6.5.1 CBOW模型
6.5.2 Skip-Gram模型
6.6 梯度消失问题和梯度爆炸问题
6.6.1 梯度下降
6.6.2 解决梯度消失和梯度爆炸问题的方法
6.7 RNN的变种——LSTM
6.8 写诗机器人
第7章 TensorFlow的可视化
7.1 TensorBoard简介
7.2 生成和使用TensorBoard
7.3 TensorBoard的面板展示
7.4 小结
第8章 TensorFlow中的数据操作
8.1 制作TFRecords数据集
8.2 Dataset API介绍
8.3 TensorFlow中的队列
第9章 支持向量机（SVM）
9.1 什么是支持向量机
9.2 计算最优超平面
9.3 TensorFlow实现线性SVM
9.4 非线性SVM介绍
9.5 使用TensorFlow实现非线性SVM分类器
第10章 TensorFlow结合Flask发布MNIST模型
10.1 Flask框架介绍
10.2 训练MNIST模型
10.3 小结
第11章 TensorFlow模型的发布与部署
11.1 TensorFlow Serving的前导知识
11.2 TensorFlow Serving 模型打包
11.3 TensorFlow Serving模型的部署和调用
第12章 TensorFlow Lite牛刀小试
12.1 什么是TensorFlow Lite
12.2 如何使用TensorFlow Lite模型
12.3 TensorFlow Lite与Android结合实现图像识别
第13章 TensorFlow GPU
13.1 什么是GPU
13.2 GPU的选择
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进行训练
第14章 TensorFlow与目标检测
14.1 传统目标检测方法
14.2 RCNN介绍
14.3 Fast-RCNN
14.4 Faster-RCNN
14.5 YOLO
附录A TensorFlow历代版本更新内容
A.1 TensorFlow 1.3版本更新内容
A.2 TensorFlow 1.4版本更新内容
A.3 TensorFlow 1.5版本更新内容
A.4 TensorFlow 1.6版本更新内容
A.5 TensorFlow 1.7版本更新内容
A.6 TensorFlow 1.8版本更新内容
A.7 TensorFlow 1.9版本更新内容