思维导图备注

Python深度学习：基于TensorFlow
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

前言

浏览 1 扫码
  • 小字体
  • 中字体
  • 大字体
2022-01-24 10:07:49
请 登录 再阅读
上一篇:
下一篇:
  • 书签
  • 添加书签 移除书签
  • 前言
  • 第一部分 Python及应用数学基础
    • 1.1 生成ndarray的几种方式
    • 1.2 存取元素
    • 第2章 Theano基础
      • 2.1 安装
      • 2.2 符号变量
      • 2.3 符号计算图模型
      • 2.4 函数
      • 2.5 条件与循环
      • 2.6 共享变量
      • 2.7 小结
    • 1.3 矩阵操作
    • 第3章 线性代数
      • 3.1 标量、向量、矩阵和张量
      • 3.2 矩阵和向量运算
      • 3.3 特殊矩阵与向量
      • 3.4 线性相关性及向量空间
      • 3.5 范数
      • 3.6 特征值分解
      • 3.7 奇异值分解
      • 3.8 迹运算
      • 3.9 实例：用Python实现主成分分析
      • 3.10 小结
    • 1.4 数据合并与展平
    • 第4章 概率与信息论
      • 4.1 为何要学概率、信息论
      • 4.2 样本空间与随机变量
      • 4.3 概率分布
        • 4.3.1 离散型随机变量
        • 4.3.2 连续型随机变量
      • 4.4 边缘概率
      • 4.5 条件概率
      • 4.6 条件概率的链式法则
      • 4.7 独立性及条件独立性
      • 4.8 期望、方差及协方差
      • 4.9 贝叶斯定理
      • 4.10 信息论
      • 4.11 小结
    • 1.5 通用函数
    • 第5章 概率图模型
      • 5.1 为何要引入概率图
      • 5.2 使用图描述模型结构
      • 5.3 贝叶斯网络
        • 5.3.1 隐马尔可夫模型简介
        • 5.3.2 隐马尔可夫模型三要素
        • 5.3.3 隐马尔可夫模型三个基本问题
        • 5.3.4 隐马尔可夫模型简单实例
      • 5.4 马尔可夫网络
        • 5.4.1 马尔可夫随机场
        • 5.4.2 条件随机场
        • 5.4.3 实例：用Tensorflow实现条件随机场
      • 5.5 小结
    • 1.6 广播机制
    • 1.7 小结
  • 第二部分 深度学习理论与应用
    • 6.1 监督学习
      • 6.1.1 线性模型
      • 6.1.2 SVM
      • 6.1.3 贝叶斯分类器
      • 6.1.4 集成学习
    • 6.2 无监督学习
      • 6.2.1 主成分分析
      • 6.2.2 k-means聚类
    • 第7章 深度学习挑战与策略
      • 7.1 正则化
        • 7.1.1 正则化参数
        • 7.1.2 增加数据量
        • 7.1.3 梯度裁剪
        • 7.1.4 提前终止
        • 7.1.5 共享参数
        • 7.1.6 Dropout
      • 7.2 预处理
        • 7.2.1 初始化
        • 7.2.2 归一化
      • 7.3 批量化
        • 7.3.1 随机梯度下降法
        • 7.3.2 批标准化
      • 7.4 并行化
        • 7.4.1 TensorFlow利用GPU加速
        • 7.4.2 深度学习并行模式
      • 7.5 选择合适的激活函数
      • 7.6 选择合适代价函数
      • 7.7 选择合适的优化算法
      • 7.8 小结
    • 6.3 梯度下降与优化
      • 6.3.1 梯度下降简介
      • 6.3.2 梯度下降与数据集大小
      • 6.3.3 传统梯度优化的不足
      • 6.3.4 动量算法
      • 6.3.5 自适应算法
      • 6.3.6 有约束最优化
    • 第8章 安装TensorFlow
      • 8.1 TensorFlow CPU版的安装
      • 8.2 TensorFlow GPU版的安装
      • 8.3 配置Jupyter Notebook
      • 8.4 实例：CPU与GPU性能比较
      • 8.5 实例：单GPU与多GPU性能比较
      • 8.6 小结
    • 6.4 前馈神经网络
      • 6.4.1 神经元结构
      • 6.4.2 感知机的局限
      • 6.4.3 多层神经网络
      • 6.4.4 实例：用TensorFlow实现XOR
      • 6.4.5 反向传播算法
    • 第9章 TensorFlow基础
      • 9.1 TensorFlow系统架构
      • 9.2 数据流图
      • 9.3 TensorFlow基本概念
        • 9.3.1 张量
        • 9.3.2 算子
        • 9.3.3 计算图
        • 9.3.4 会话
        • 9.3.5 常量
        • 9.3.6 变量
        • 9.3.7 占位符
        • 9.3.8 实例：比较constant、variable和placeholder
      • 9.4 TensorFlow实现数据流图
      • 9.5 可视化数据流图
      • 9.6 TensorFlow分布式
      • 9.7 小结
    • 6.5 实例：用Keras构建深度学习架构
    • 第10章 TensorFlow图像处理
      • 10.1 加载图像
      • 10.2 图像格式
      • 10.3 把图像转换为TFRecord文件
      • 10.4 读取TFRecord文件
      • 10.5 图像处理实例
      • 10.6 全新的数据读取方式——Dataset API
        • 10.6.1 Dataset API架构
        • 10.6.2 构建Dataset
        • 10.6.3 创建迭代器
        • 10.6.4 从迭代器中获取数据
        • 10.6.5 读入输入数据
        • 10.6.6 预处理数据
        • 10.6.7 批处理数据集元素
        • 10.6.8 使用高级API
      • 10.7 小结
    • 6.6 小结
    • 第11章 TensorFlow神经元函数
      • 11.1 激活函数
        • 11.1.1 sigmoid函数
        • 11.1.2 tanh函数
        • 11.1.3 relu函数
        • 11.1.4 softplus函数
        • 11.1.5 dropout函数
      • 11.2 代价函数
        • 11.2.1 sigmoid_cross_entropy_with_logits函数
        • 11.2.2 softmax_cross_entropy_with_logits函数
        • 11.2.3 sparse_softmax_cross_entropy_with_logits函数
        • 11.2.4 weighted_cross_entropy_with_logits函数
      • 11.3 小结
    • 第12章 TensorFlow自编码器
      • 12.1 自编码简介
      • 12.2 降噪自编码
      • 12.3 实例：TensorFlow实现自编码
      • 12.4 实例：用自编码预测信用卡欺诈
      • 12.5 小结
    • 第13章 TensorFlow实现Word2Vec
      • 13.1 词向量及其表达
      • 13.2 Word2Vec原理
        • 13.2.1 CBOW模型
        • 13.2.2 Skim-gram模型
      • 13.3 实例：TensorFlow实现Word2Vec
      • 13.4 小结
    • 第14章 TensorFlow卷积神经网络
      • 14.1 卷积神经网络简介
      • 14.2 卷积层
        • 14.2.1 卷积核
        • 14.2.2 步幅
        • 14.2.3 填充
        • 14.2.4 多通道上的卷积
        • 14.2.5 激活函数
        • 14.2.6 卷积函数
      • 14.3 池化层
      • 14.4 归一化层
      • 14.5 TensorFlow实现简单卷积神经网络
      • 14.6 TensorFlow实现进阶卷积神经网络
      • 14.7 几种经典卷积神经网络
      • 14.8 小结
    • 第15章 TensorFlow循环神经网络
      • 15.1 循环神经网络简介
      • 15.2 前向传播与随时间反向传播
      • 15.3 梯度消失或爆炸
      • 15.4 LSTM算法
      • 15.5 RNN其他变种
      • 15.6 RNN应用场景
      • 15.7 实例：用LSTM实现分类
      • 15.8 小结
    • 第16章 TensorFlow高层封装
      • 16.1 TensorFlow高层封装简介
      • 16.2 Estimator简介
      • 16.3 实例：使用Estimator预定义模型
      • 16.4 实例：使用Estimator自定义模型
      • 16.5 Keras简介
      • 16.6 实例：Keras实现序列式模型
      • 16.7 TFLearn简介
        • 16.7.1 利用TFLearn解决线性回归问题
        • 16.7.2 利用TFLearn进行深度学习
      • 16.8 小结
    • 第17章 情感分析
      • 17.1 深度学习与自然语言处理
      • 17.2 词向量简介
      • 17.3 循环神经网络
      • 17.4 迁移学习简介
      • 17.5 实例：TensorFlow实现情感分析
        • 17.5.1 导入数据
        • 17.5.2 定义辅助函数
        • 17.5.3 构建RNN模型
        • 17.5.4 调优超参数
        • 17.5.5 训练模型
      • 17.6 小结
    • 第18章 利用TensorFlow预测乳腺癌
      • 18.1 数据说明
      • 18.2 数据预处理
      • 18.3 探索数据
      • 18.4 构建神经网络
      • 18.5 训练并评估模型
      • 18.6 小结
    • 第19章 聊天机器人
      • 19.1 聊天机器人原理
      • 19.2 带注意力的框架
      • 19.3 用TensorFlow实现聊天机器人
        • 19.3.1 接口参数说明
        • 19.3.2 训练模型
      • 19.4 小结
    • 第20章 人脸识别
      • 20.1 人脸识别简介
      • 20.2 项目概况
      • 20.3 实施步骤
        • 20.3.1 数据准备
        • 20.3.2 预处理数据
        • 20.3.3 训练模型
        • 20.3.4 测试模型
      • 20.4 小结
  • 第三部分 扩展篇
    • 21.1 强化学习简介
    • 21.2 强化学习常用算法
      • 21.2.1 Q-Learning算法
      • 21.2.2 Sarsa算法
      • 21.2.3 DQN算法
    • 第22章 生成式对抗网络
      • 22.1 GAN简介
      • 22.2 GAN的改进版本
      • 22.3 小结
    • 21.3 小结
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

    《Python深度学习：基于TensorFlow》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