Python深度学习 基于TensorFlow【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

Python深度学习 基于TensorFlowPDF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

第一部分 Python及应用数学基础2

第1章 NumPy常用操作2

1.1 生成ndarray的几种方式3

1.2 存取元素5

1.3 矩阵操作6

1.4 数据合并与展平7

1.5 通用函数9

1.6 广播机制11

1.7 小结12

第2章 Theano基础13

2.1 安装14

2.2 符号变量15

2.3 符号计算图模型17

2.4 函数18

2.5 条件与循环21

2.6 共享变量23

2.7 小结24

第3章 线性代数25

3.1 标量、向量、矩阵和张量25

3.2 矩阵和向量运算28

3.3 特殊矩阵与向量29

3.4 线性相关性及向量空间31

3.5 范数32

3.6 特征值分解33

3.7 奇异值分解34

3.8 迹运算35

3.9 实例：用Python实现主成分分析36

3.10 小结39

第4章 概率与信息论40

4.1 为何要学概率、信息论40

4.2 样本空间与随机变量41

4.3 概率分布42

4.3.1 离散型随机变量42

4.3.2 连续型随机变量45

4.4 边缘概率47

4.5 条件概率47

4.6 条件概率的链式法则48

4.7 独立性及条件独立性48

4.8 期望、方差及协方差49

4.9 贝叶斯定理52

4.10 信息论53

4.11 小结56

第5章 概率图模型57

5.1 为何要引入概率图57

5.2 使用图描述模型结构58

5.3 贝叶斯网络59

5.3.1 隐马尔可夫模型简介60

5.3.2 隐马尔可夫模型三要素60

5.3.3 隐马尔可夫模型三个基本问题61

5.3.4 隐马尔可夫模型简单实例62

5.4 马尔可夫网络64

5.4.1 马尔可夫随机场64

5.4.2 条件随机场65

5.4.3 实例：用Tensorflow实现条件随机场66

5.5 小结70

第二部分 深度学习理论与应用72

第6章 机器学习基础72

6.1 监督学习72

6.1.1 线性模型73

6.1.2 SVM77

6.1.3 贝叶斯分类器79

6.1.4 集成学习81

6.2 无监督学习84

6.2.1 主成分分析84

6.2.2 k-means聚类84

6.3 梯度下降与优化85

6.3.1 梯度下降简介86

6.3.2 梯度下降与数据集大小87

6.3.3 传统梯度优化的不足89

6.3.4 动量算法90

6.3.5 自适应算法92

6.3.6 有约束最优化95

6.4 前馈神经网络96

6.4.1 神经元结构97

6.4.2 感知机的局限98

6.4.3 多层神经网络99

6.4.4 实例：用TensorFlow实现XOR101

6.4.5 反向传播算法103

6.5 实例：用Keras构建深度学习架构109

6.6 小结109

第7章 深度学习挑战与策略110

7.1 正则化110

7.1.1 正则化参数111

7.1.2 增加数据量115

7.1.3 梯度裁剪116

7.1.4 提前终止116

7.1.5 共享参数117

7.1.6 Dropout117

7.2 预处理119

7.2.1 初始化120

7.2.2 归一化120

7.3 批量化121

7.3.1 随机梯度下降法121

7.3.2 批标准化122

7.4 并行化124

7.4.1 TensorFlow利用GPU加速124

7.4.2 深度学习并行模式125

7.5 选择合适的激活函数127

7.6 选择合适代价函数128

7.7 选择合适的优化算法129

7.8 小结130

第8章 安装TensorFlow131

8.1 TensorFlowCPU版的安装131

8.2 TensorFlow GPU版的安装132

8.3 配置JupyterNotebook136

8.4 实例：CPU与GPU性能比较137

8.5 实例：单GPU与多GPU性能比较138

8.6 小结140

第9章 TensorFlow基础141

9.1 TensorFlow系统架构141

9.2 数据流图143

9.3 TensorFlow基本概念144

9.3.1 张量144

9.3.2 算子145

9.3.3 计算图146

9.3.4 会话146

9.3.5 常量148

9.3.6 变量149

9.3.7 占位符153

9.3.8 实例：比较constant、variable和placeholder154

9.4 TensorFlow实现数据流图156

9.5 可视化数据流图156

9.6 TensorFlow分布式158

9.7 小结160

第10章 TensorFlow图像处理162

10.1 加载图像162

10.2 图像格式163

10.3 把图像转换为TFRecord文件164

10.4 读取TFRecord文件165

10.5 图像处理实例166

10.6 全新的数据读取方式——DatasetAPI170

10.6.1 DatasetAPI架构170

10.6.2 构建Dataset171

10.6.3 创建迭代器174

10.6.4 从迭代器中获取数据174

10.6.5 读入输入数据175

10.6.6 预处理数据175

10.6.7 批处理数据集元素176

10.6.8 使用高级API176

10.7 小结177

第11章 TensorFlow神经元函数178

11.1 激活函数178

11.1.1 sigmoid函数179

11.1.2 tanh函数179

11.1.3 relu函数180

11.1.4 softplus函数181

11.1.5 dropout函数181

11.2 代价函数181

11.2.1 sigmoid_cross_entropy_with_logits函数182

11.2.2 softmax_cross_entropy_with_logits函数183

11.2.3 sparse_softmax_cross_entropy_with_logits函数184

11.2.4 weighted_cross_entropy_with_logits函数184

11.3 小结185

第12章 TensorFlow自编码器186

12.1 自编码简介186

12.2 降噪自编码188

12.3 实例：TensorFlow实现自编码188

12.4 实例：用自编码预测信用卡欺诈191

12.5 小结197

第13章 TensorFlow实现 Word2Vec198

13.1 词向量及其表达198

13.2 Word2Vec原理199

13.2.1 CBOW模型200

13.2.2 Skim-gram模型200

13.3 实例：TensorFlow实现Word2Vec201

13.4 小结206

第14章 TensorFlow卷积神经网络207

14.1 卷积神经网络简介207

14.2 卷积层208

14.2.1 卷积核209

14.2.2 步幅211

14.2.3 填充212

14.2.4 多通道上的卷积213

14.2.5 激活函数214

14.2.6 卷积函数215

14.3 池化层216

14.4 归一化层217

14.5 TensorFlow实现简单卷积神经网络218

14.6 TensorFlow实现进阶卷积神经网络219

14.7 几种经典卷积神经网络223

14.8 小结224

第15章 TensorFlow循环神经网络226

15.1 循环神经网络简介226

15.2 前向传播与随时间反向传播228

15.3 梯度消失或爆炸231

15.4 LSTM算法232

15.5 RNN其他变种235

15.6 RNN应用场景236

15.7 实例：用LSTM实现分类237

15.8 小结241

第16章 TensorFlow高层封装242

16.1 TensorFlow高层封装简介242

16.2 Estimator简介243

16.3 实例：使用Estimator预定义模型245

16.4 实例：使用Estimator自定义模型247

16.5 Keras简介252

16.6 实例：Keras实现序列式模型253

16.7 TFLearn简介255

16.7.1 利用TFLearn解决线性回归问题256

16.7.2 利用TFLearn进行深度学习256

16.8 小结257

第17章 情感分析258

17.1 深度学习与自然语言处理258

17.2 词向量简介259

17.3 循环神经网络260

17.4 迁移学习简介261

17.5 实例：TensorFlow实现情感分析262

17.5.1 导入数据262

17.5.2 定义辅助函数267

17.5.3 构建RNN模型267

17.5.4 调优超参数269

17.5.5 训练模型270

17.6 小结272

第18章 利用TensorFlow预测乳腺癌273

18.1 数据说明273

18.2 数据预处理274

18.3 探索数据276

18.4 构建神经网络279

18.5 训练并评估模型281

18.6 小结283

第19章 聊天机器人284

19.1 聊天机器人原理284

19.2 带注意力的框架286

19.3 用TensorFlow实现聊天机器人289

19.3.1 接口参数说明290

19.3.2 训练模型293

19.4 小结302

第20章 人脸识别303

20.1 人脸识别简介303

20.2 项目概况306

20.3 实施步骤307

20.3.1 数据准备307

20.3.2 预处理数据307

20.3.3 训练模型309

20.3.4 测试模型313

20.4 小结316

第三部分 扩展篇318

第21章 强化学习基础318

21.1 强化学习简介318

21.2 强化学习常用算法320

21.2.1 Q-Learning算法320

21.2.2 Sarsa算法322

21.2.3 DQN算法322

21.3 小结324

第22章 生成式对抗网络325

22.1 GAN简介325

22.2 GAN的改进版本327

22.3 小结329