TensorFlow智能算法与应用【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

TensorFlow智能算法与应用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

入门篇3

第1章 学习环境搭建3

1.1 Docker工具箱3

1.2 运行Docker镜像6

1.3 Jupyter笔记本10

1.3.1 Jupyter界面10

1.3.2 Jupyter单元格12

1.3.3 Jupyter模式14

1.3.4 Jupyter常用指令14

1.4 NumPy库15

1.4.1 ndarray数据基础16

1.4.2 ndarray广播运算20

1.4.3 ndarray函数运算22

1.4.4 ndarray索引切分24

1.5 Pandas25

1.5.1 Pandas基础对象26

1.5.2 Pandas选择数据29

1.5.3 Pandas处理实例31

1.6 Scikit－Learn34

1.6.1 sklearn.datasets34

1.6.2 Pandas处理35

1.6.3 sklearn回归36

第2章 TensorFlow入门38

2.1 Hello TensorFlow39

2.2 TensorFlow数据结构39

2.3 TensorFlow计算－数据流图40

2.3.1 常量节点（Constant）42

2.3.2 占位符节点（Placeholder）42

2.3.3 变量节点（Variable）43

2.3.4 操作节点（Operation）45

2.4 TensorFlow会话与基本操作45

2.5 TensorFlow可视化47

第3章 TensorFlow进阶49

3.1 TensorFlow数据处理50

3.1.1 索引计算50

3.1.2 矩阵计算51

3.1.3 形状计算53

3.1.4 规约计算54

3.1.5 分割计算55

3.1.6 张量的形状57

3.1.7 张量的运算58

3.1.8 骰子游戏61

3.2 TensorFlow共享变量62

3.2.1 name＿scope名字域62

3.2.2 variablescope变量域63

3.3 TensorFlow模型配置64

基础篇69

第4章 线性回归算法69

4.1 BOSTON数据集70

4.2 TensorFlow模型72

4.2.1 准备数据72

4.2.2 定义模型72

4.2.3 训练模型73

4.2.4 评估模型73

4.2.5 可视化模型73

4.3 Estimator模型75

4.3.1 Dataset API75

4.3.2 估算器介绍76

4.3.3 准备数据77

4.3.4 定义模型78

4.3.5 训练模型78

4.3.6 评估模型78

4.3.7 可视化模型79

4.4 Keras模型81

4.4.1 定义模型81

4.4.2 训练模型81

4.4.3 评估模型82

4.4.4 可视化模型82

第5章 逻辑回归算法84

5.1 线性回归到逻辑回归84

5.2 最小二乘到交叉熵86

5.3 MNIST数据集88

5.4 TensorFlow模型88

5.4.1 准备数据89

5.4.2 定义模型89

5.4.3 训练模型90

5.4.4 评估模型91

5.4.5 可视化模型91

5.5 Estimator模型92

5.5.1 准备数据92

5.5.2 定义模型93

5.5.3 训练模型93

5.5.4 评估模型93

5.5.5 可视化模型94

5.6 Keras模型95

5.6.1 准备数据95

5.6.2 定义模型96

5.6.3 训练模型96

5.6.4 评估模型96

5.6.5 可视化模型97

第6章 算法的正则化99

6.1 过拟合99

6.2 正则化99

6.3 编程实战103

进阶篇113

第7章 神经网络与深度学习算法113

7.1 神经网络113

7.1.1 激活函数114

7.1.2 编程实战119

7.2 神经网络训练123

7.2.1 训练困难分析124

7.2.2 编程实战124

7.3 多类别神经网络133

7.3.1 逻辑回归与深度网络133

7.3.2 权重可视化135

7.4 神经网络嵌入136

7.4.1 一维数轴排列137

7.4.2 二维数轴排列137

7.4.3 传统类别表示138

7.4.4 嵌入表示140

第8章 卷积神经网络（CNN）141

8.1 卷积神经网络简介141

8.2 CNN与DNN142

8.3 卷积操作142

8.4 卷积实战145

8.5 池化操作149

8.6 池化实战149

8.7 Relu非线性激活150

8.8 TensorFlow卷积神经网络实战151

8.9 Estimalor卷积神经网络实战155

8.10 Keras卷积神经网络实战159

第9章 循环神经网络（RNN）162

9.1 循环神经网络简介162

9.2 DNN、CNN与RNN162

9.3 手工循环神经网络164

9.4 static＿rnn循环神经网络165

9.5 dynamic＿mn循环神经网络167

9.6 TensorFlow循环神经网络实战169

9.7 Estimator循环神经网络实战173

9.8 Keras循环神经网络实战176

9.9 LSTM模型178

9.10 GRU模型180

第10章 自动编码器（AutoEncoder）182

10.1 自动编码器简介182

10.2 自动编码器与PCA183

10.3 稀疏自动编码器185

10.4 栈式自动编码器（SAE）187

10.4.1 关联权重190

10.4.2 分阶段训练192

10.4.3 无监督预训练194

10.5 降噪自动编码器（DAE）198

10.6 变分自动编码器（VAE）200

10.6.1 变分自动编码器原理200

10.6.2 变分自动编码器生成数字203

应用篇207

第11章 生成式对抗网络207

11.1 生成式对抗网络简介207

11.2 GAN工作原理207

11.3 GAN改进模型209

11.4 GAN模型实战212

11.5 GAN训练技巧221

11.6 GAN未来展望222

第12章 使用TensorFlow Hub进行迁移学习223

12.1 图像迁移学习223

12.2 文本迁移学习224

12.3 完整的文本分类器225

12.4 迁移学习分析228