思维导图备注

深度学习之TensorFlow：入门、原理与进阶实战
首页 收藏书籍 阅读记录
  • 书签 我的书签
  • 添加书签 添加书签 移除书签 移除书签

第1篇 深度学习与TensorFlow基础

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-25 02:21:34
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 配套学习资源
  • 前言
  • 第1篇 深度学习与TensorFlow基础
    • 第1章 快速了解人工智能与TensorFlow
      • 1.1 什么是深度学习
      • 1.2 TensorFlow是做什么的
      • 1.3 TensorFlow的特点
      • 1.4 其他深度学习框架特点及介绍
      • 1.5 如何通过本书学好深度学习
    • 第2章 搭建开发环境
      • 2.1 下载及安装Anaconda开发工具
      • 2.2 在Windows平台下载及安装TensorFlow
      • 2.3 GPU版本的安装方法
      • 2.4 熟悉Anaconda 3开发工具
    • 第3章 TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例
      • 3.1 实例1：从一组看似混乱的数据中找出y≈2x的规律
      • 3.2 模型是如何训练出来的
      • 3.3 了解TensorFlow开发的基本步骤
    • 第4章 TensorFlow编程基础
      • 4.1 编程模型
      • 4.2 TensorFlow基础类型定义及操作函数介绍
      • 4.3 共享变量
      • 4.4 实例19：图的基本操作
      • 4.5 配置分布式TensorFlow
      • 4.6 动态图（Eager）
      • 4.7 数据集（tf.data）
    • 第5章 识别图中模糊的手写数字（实例21）
      • 5.1 导入图片数据集
      • 5.2 分析图片的特点，定义变量
      • 5.3 构建模型
      • 5.4 训练模型并输出中间状态参数
      • 5.5 测试模型
      • 5.6 保存模型
      • 5.7 读取模型
  • 第2篇 深度学习基础——神经网络
    • 第6章 单个神经元
      • 6.1 神经元的拟合原理
      • 6.2 激活函数——加入非线性因素，解决线性模型缺陷
      • 6.3 softmax算法——处理分类问题
      • 6.4 损失函数——用真实值与预测值的距离来指导模型的收敛方向
      • 6.5 softmax算法与损失函数的综合应用
      • 6.6 梯度下降——让模型逼近最小偏差
      • 6.7 初始化学习参数
      • 6.8 单个神经元的扩展——Maxout网络
      • 6.9 练习题
    • 第7章 多层神经网络——解决非线性问题
      • 7.1 线性问题与非线性问题
      • 7.2 使用隐藏层解决非线性问题
      • 7.3 实例31：利用全连接网络将图片进行分类
      • 7.4 全连接网络训练中的优化技巧
    • 7.5 练习题
      • 8.1 全连接网络的局限性
      • 8.2 理解卷积神经网络
      • 8.3 网络结构
      • 8.4 卷积神经网络的相关函数
      • 8.5 使用卷积神经网络对图片分类
      • 8.6 反卷积神经网络
      • 8.7 实例50：用反卷积技术复原卷积网络各层图像
      • 8.8 善用函数封装库
      • 8.9 深度学习的模型训练技巧
    • 第9章 循环神经网络——具有记忆功能的网络
      • 9.1 了解RNN的工作原理
      • 9.2 简单RNN
      • 9.3 循环神经网络（RNN）的改进
      • 9.4 TensorFlow实战RNN
      • 9.5 实例68：利用BiRNN实现语音识别
      • 9.6 实例69：利用RNN训练语言模型
      • 9.7 语言模型的系统学习
      • 9.8 处理Seq2Seq任务
      • 9.9 实例75：制作一个简单的聊天机器人
      • 9.10 时间序列的高级接口TFTS
    • 第10章 自编码网络——能够自学习样本特征的网络
      • 10.1 自编码网络介绍及应用
      • 10.2 最简单的自编码网络
      • 10.3 自编码网络的代码实现
      • 10.4 去噪自编码
      • 10.5 去噪自编码网络的代码实现
      • 10.6 栈式自编码
      • 10.7 深度学习中自编码的常用方法
      • 10.8 去噪自编码与栈式自编码的综合实现
      • 10.9 变分自编码
      • 10.10 条件变分自编码
  • 第3篇 深度学习进阶
    • 第11章 深度神经网络
      • 11.1 深度神经网络介绍
      • 11.2 GoogLeNet模型介绍
      • 11.3 残差网络（ResNet）
      • 11.4 Inception-ResNet-v2结构
      • 11.5 TensorFlow中的图片分类模型库——slim
      • 11.6 使用slim中的深度网络模型进行图像的识别与检测
      • 11.7 实物检测模型库——Object Detection API
      • 11.8 实物检测领域的相关模型
      • 11.9 机器自己设计的模型（NASNet）
    • 第12章 对抗神经网络（GAN）
      • 12.1 GAN的理论知识
      • 12.2 DCGAN——基于深度卷积的GAN
      • 12.3 InfoGAN和ACGAN：指定类别生成模拟样本的GAN
      • 12.4 AEGAN：基于自编码器的GAN
      • 12.5 WGAN-GP：更容易训练的GAN
      • 12.6 LSGAN（最小乘二GAN）：具有WGAN同样效果的GAN
      • 12.7 GAN-cls：具有匹配感知的判别器
      • 12.8 SRGAN——适用于超分辨率重建的GAN
      • 12.9 GAN网络的高级接口TFGAN
      • 12.10 总结
暂无相关搜索结果！
    展开/收起文章目录

    二维码

    手机扫一扫，轻松掌上学

    《深度学习之TensorFlow：入门、原理与进阶实战》电子书下载

    请下载您需要的格式的电子书，随时随地，享受学习的乐趣！
    EPUB 电子书

    书签列表

      阅读记录

      阅读进度: 0.00% ( 0/0 ) 重置阅读进度