深度学习系列 深度学习与TensorFlow实战2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载

深度学习系列 深度学习与TensorFlow实战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 深度学习概述1

1.1人类的人工智能之梦1

1.2从遥想到实践3

1.3三大人工智能学派3

1.3.1符号学派3

1.3.2行为学派3

1.3.3连接学派4

1.4连接学派中的神经网络4

1.5神经网络的“新称谓”——深度学习7

1.6深度学习的生产力实现——TensorFlow8

1.6.1 TensorFlow之Tensor9

1.6.2 TensorFlow之Flow10

1.6.3 TensorFlow之简单的数据模型11

1.7 TensorFlow项目介绍13

1.8 TensorFlow工作环境的安装和运行14

1.8.1 Ubuntu环境下基于Virtualenv的安装方法15

1.8.2基于Mac OS的安装方法16

1.8.3简单运行一下TensorFlow16

第2章 机器学习概述18

2.1什么是机器学习18

2.1.1机器学习的定义18

2.1.2任务19

2.1.3性能20

2.1.4经验24

2.2学习算法24

2.2.1表示25

2.2.2评价25

2.2.3优化27

2.3以线性回归为例28

2.3.1线性回归的任务T28

2.3.2线性回归的经验E28

2.3.3线性回归的表示R30

2.3.4线性回归的评价E30

2.3.5线性回归的优化O31

2.3.6小结32

2.3.7 TensorFlow的完整运行脚本33

2.4本章小结35

第3章 从生物神经元到感知器36

3.1感知器的前身36

3.1.1生物神经元36

3.1.2一个基础的神经元——McCulloch-Pitts Units37

3.1.3基于MCP神经元实现布尔逻辑37

3.1.4带有权值的MCP神经元39

3.1.5通过带有权值的MCP神经元对空间进行线性划分40

3.2感知器41

3.2.1感知器简介41

3.2.2感知器的激活函数42

3.3使用感知器分类43

3.3.1感知器的二分类43

3.3.2经验E——Iris鸢尾花数据集44

3.3.3感知器的表示R45

3.3.4感知器的评价E45

3.3.5感知器的优化O46

3.3.6实践感知器47

3.4本章小结49

第4章 人工神经网络50

4.1从感知器到多层感知器50

4.1.1再次回到MCP神经元50

4.1.2带有权值的MCP神经元——感知器57

4.1.3两层感知器形成“凸域”问题61

4.1.4非凸域优化64

4.2反向传播神经网络65

4.2.1一个生动的比喻65

4.2.2计算图基础——前向传播66

4.2.3计算图——带有参数w、b的前向传播68

4.2.4计算图——带有参数w、b的反向传播69

4.3使用人工神经网络对mnist数据进行分类71

4.4本章小结73

第5章 Logistic回归与Softmax回归74

5.1信息论74

5.1.1编码74

5.1.2编码效率74

5.1.3编码代价75

5.1.4最优编码77

5.1.5信息量和熵78

5.1.6交叉熵80

5.2 Logistic回归81

5.2.1线性回归回顾81

5.2.2 Logistic回归回顾84

5.2.3 Logistic人工神经网络稀疏化表征87

5.2.4 sigmoid激活函数与信息熵90

5.2.5最大熵模型91

5.3 Softmax回归96

5.3.1从Logistic回归到Softmax回归96

5.3.2 Softmax回归的参数冗余96

5.3.3 Softmax回归与Logistic回归的关系97

5.3.4 Softmax回归与k个二元分类器98

5.4本章小结98

第6章 卷积神经网络99

6.1感知器模式识别99

6.1.1通过感知器识别一幅简单的图像99

6.1.2感知器的鲁棒性101

6.1.3生物视神经与感受野103

6.1.4 Minsky感知器与局部感受野105

6.1.5从鲁宾杯角度理解局部感受野108

6.1.6单个感知器模式识别的局限性110

6.1.7多层感知器的模式识别112

6.2卷积操作116

6.2.1卷积的数学定义116

6.2.2局部感受野与卷积116

6.2.3卷积操作的用途118

6.3卷积神经网络的结构119

6.3.1卷积操作中局部感受野的跨度120

6.3.2白边122

6.3.3池化操作123

6.3.4卷积神经网络的层级结构124

6.3.5通过卷积神经网络处理彩色图像的模型126

6.4使用TensorFlow实现卷积神经网络的小例子129

6.5本章小结131

第7章 循环神经网络132

7.1循环神经网络：一种循环的人工神经网络132

7.1.1回到黑箱模型132

7.1.2时间序列性134

7.2有限状态机135

7.2.1有限状态机的布尔逻辑135

7.2.2有限状态机的结构136

7.3从MCP神经网络到循环神经网络138

7.3.1 MCP神经网络与有限状态机的等效性138

7.3.2前馈神经网络与MCP神经网络的等效性140

7.3.3循环神经网络与前馈神经网络的等效性142

7.3.4循环神经网络的描述145

7.3.5循环神经网络的参数学习——BPTT147

7.4本章小结151

第8章 LSTM循环神经网络152

8.1梯度弥散现象152

8.1.1梯度弥散的缘由152

8.1.2梯度弥散带来的“健忘”155

8.2长短期记忆网络157

8.2.1 LSTM的结构157

8.2.2 LSTM单元如何缓解梯度弥散161

8.3通过TensorFlow实现一个简单的LSTM162

8.4本章小结165

第9章 深入TensorFlow166

9.1机器学习框架回顾166

9.2计算图167

9.2.1计算图的前馈计算167

9.2.2计算图的反馈计算168

9.3神经网络与计算图170

9.3.1神经网络与计算图的转换170

9.3.2神经网络计算图的前馈计算与反馈计算172

9.4 TensorFlow中的数据流图176

9.4.1张量176

9.4.2操作177

9.4.3变量和占位符178

9.4.4三段式编程179

9.4.5会话180

9.5使用GPU183

9.5.1单机CPU＋GPU183

9.5.2单机CPU＋多GPU184

9.5.3分布式计算185

9.6数据可视化工具TensorBoard188

9.6.1生成静态计算图188

9.6.2统计动态数据流190

9.6.3使用TensorBoard实现训练可视化190

9.7本章小结193

第10章 TensorFlow案例实践194

10.1构建TensorFlow的图片分类系统194

10.2准备代码和训练集195

10.3构造模型计算图199

10.4训练模型207

10.5评估模型的性能210

10.6多GPU训练213

10.7本章小结218