深度学习 基于Python语言和TensorFlow平台 视频讲解版2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

深度学习 基于Python语言和TensorFlow平台 视频讲解版PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第1章 人工智能极简历史1

1.1 重要的奠基时期2

1.1.1 神经元的研究和人工神经元模型的提出2

1.1.2 计算机和程序的出现3

1.1.3 图灵测试的提出4

1.2 人工智能的诞生4

1.3 第一个快速发展期5

1.4 人工智能的第一个寒冬5

1.5 人工智能研究的沉默探索与复苏6

1.6 人工智能的第二个冬天9

1.7 再一次腾飞9

1.7.1 计算机综合计算能力的大幅提升9

1.7.2 大数据的出现11

1.7.3 神经网络研究的成熟化11

1.8 未来展望13

1.9 本章小结：历史指引未来18

第2章 开发环境准备19

2.1 安装Python20

2.1.1 Windows操作系统下安装Python20

2.1.2 Mac OS X操作系统下安装Python29

2.1.3 Linux操作系统下安装Python30

2.2 安装TensorFlow30

2.3 打造更舒适的开发环境32

2.3.1 修改Windows资源管理器的一些显示设置32

2.3.2 命令提示符CMD的替代方案34

2.3.3 文本文件编辑器36

2.3.4 Python语言专用的开发工具40

2.4 知识背景准备45

2.4.1 怎样输入Python程序45

2.4.2 怎样执行Python程序45

2.4.3 变量46

2.4.4 函数（方法）50

2.4.5 对象51

2.4.6 条件判断与分支53

2.4.7 循环54

2.4.8 注释55

2.4.9 程序运行时出现错误怎么办55

2.4.10 本章小结：一段示例代码56

第3章 初识TensorFlow57

3.1 三好学生成绩问题的引入58

3.2 搭建解决三好学生成绩问题的神经网络58

3.3 训练神经网络62

3.4 本章小结：解决的第一个问题68

3.5 练习68

第4章 简化神经网络模型69

4.1 在程序运行中查看变量取值70

4.2 张量概念的引入70

4.3 用向量重新组织输入数据72

4.4 简化的神经网络模型75

4.5 概念补充——标量、多维数组等76

4.5.1 标量76

4.5.2 多维数组76

4.5.3 张量的阶和形态77

4.6 在TensorFlow中查看和设定张量的形态78

4.7 用softmax函数来规范可变参数81

4.8 本章小结：线性问题83

4.9 练习84

第5章 用神经网络解决非线性问题85

5.1 非线性问题的引入86

5.1.1 三好学生评选结果问题86

5.1.2 二分类问题：是否为三好学生86

5.1.3 非线性问题87

5.2 设计神经网络模型88

5.2.1 激活函数sigmoid88

5.2.2 使用sigmoid函数后的神经网络模型89

5.2.3 实现本模型的代码89

5.3 准备训练数据90

5.3.1 随机数90

5.3.2 产生随机训练数据90

5.4 完整的训练代码92

5.4.1 使用随机数据进行训练92

5.4.2 加入偏移量b加快训练过程94

5.5 进阶：批量生成随机训练数据97

5.6 本章小结：非线性问题100

5.7 练习100

第6章 从文件中载入训练数据101

6.1 用纯文本文件准备训练数据102

6.1.1 数据的数字化102

6.1.2 训练数据的格式102

6.1.3 数据整理103

6.1.4 使用CSV格式文件辅助处理数据104

6.2 加载文件中的训练数据106

6.2.1 加载函数106

6.2.2 非数字列的舍弃106

6.2.3 非数字列与数字列的转换107

6.2.4 行数据的分拆及如何“喂”给训练过程108

6.3 本章小结：读取训练数据最常用的方式110

6.4 练习110

第7章 多层全连接神经网络111

7.1 身份证问题的引入112

7.2 问题分析112

7.3 单层网络的模型112

7.4 多层全连接神经网络115

7.4.1 矩阵乘法115

7.4.2 如何用矩阵乘法实现全连接层116

7.4.3 使用均方误差作为计算误差的方法119

7.4.4 激活函数tank120

7.4.5 新的模型121

7.5 身份证问题新模型的代码实现121

7.6 进一步优化模型和代码124

7.7 本章小结：多层、全连接、线性与非线性125

7.8 练习126

第8章 保存和载入训练过程127

8.1 保存训练过程128

8.2 载入保存的训练过程并继续训练130

8.3 通过命令行参数控制是否强制重新开始训练132

8.4 训练过程中手动保存135

8.5 保存训练过程前征得同意137

8.6 本章小结：善于利用保存和载入训练过程139

8.7 练习139

第9章 查看图形化的模型140

9.1 数据流图的概念141

9.2 用TensorBoard查看数据流图141

9.3 控制TensorBoard图中对象的名称143

9.4 本章小结：图形化的模型145

9.5 练习145

第10章 用训练好的模型进行预测146

10.1 从命令行参数读取需要预测的数据147

10.2 从文件中读取数据进行预测149

10.3 从任意字符串中读取数据进行预测152

10.4 本章小结：预测与训练的区别154

10.5 练习154

第11章 用高级工具简化建模和训练过程155

11.1 Keras框架介绍156

11.2 用Keras实现神经网络模型156

11.3 用Keras进行预测158

11.4 保存和载入Keras模型160

11.5 本章小结：方便与灵活度的取舍161

11.6 练习161

第12章 在其他语言中调用TensorFlow模型162

12.1 如何保存模型163

12.2 在Java语言中载入TensorFlow模型并进行预测计算165

12.3 在Go语言中载入TensorFlow模型并进行预测计算167

12.4 本章小结：仅能预测167

第13章 用卷积神经网络进行图像识别169

13.1 情凭谁来定错对——一首歌引出的对错问题170

13.2 卷积神经网络介绍170

13.2.1 卷积神经网络的基本概念170

13.2.2 数字图片在计算机中的表达形式170

13.2.3 卷积层的具体计算过程172

13.2.4 卷积层的原理和优点174

13.2.5 卷积神经网络的典型结构177

13.3 用卷积网络实现图像识别177

13.3.1 钩叉问题的图像数据格式177

13.3.2 准备钩叉问题的训练数据178

13.3.3 设计钩叉问题的神经网络模型并实现179

13.4 本章小结：进一步优化的方向183

13.5 练习183

第14章 循环神经网络初探184

14.1 循环神经网络简介185

14.2 长短期记忆模型LSTM的作用186

14.3 汇率预测问题的引入186

14.4 用于汇率预测的LSTM神经网络模型187

14.5 实现汇率预测LSTM网络的代码188

14.6 用循环神经网络来进行自然语言处理193

14.7 本章小结：时序有关问题195

14.8 练习195

第15章 优化器的选择与设置196

15.1 优化器的作用197

15.2 梯度下降算法197

15.3 学习率的影响198

15.4 主流优化方法介绍199

15.5 优化器效率对比200

15.6 本章小结：渡河之筏203

第16章 下一步学习方向指南204

16.1 更多的激活函数205

16.2 更多的隐藏层类型205

16.3 确定最适合的神经网络类型206

16.4 GPU版本206

16.5 有监督学习与无监督学习207

16.6 深度学习进阶207

16.7 升级到最新的TensorFlow版本207

16.8 本章小结：最后的实例208