深度学习之TensorFlow：入门、原理与进阶实战

深度学习之TensorFlow：入门、原理与进阶实战读书笔记模板01思维导图读书笔记目录分析内容摘要精彩摘录作者介绍目录0305020406思维导图深度入门语言样本实战图像生成语音模型网络第章神经网络实例深度函数训练卷积图片学习本书关键字分析思维导图内容摘要内容摘要本书提供了从单个神经元到对抗神经网络，从有监督学习到半监督学习，从简单的数据分类到语音、语言、图像分类乃至样本生成等一系列前沿技术，具有超强的实用性，读者可以随时查阅和参考。读书笔记读书笔记很不错的一本书，对于入门很有帮助。先介绍了深度学习神经网络，然后介绍TensorFlow的基础，最后讲实例。基本讲的是tensorflow的lowlevelAPI，不大适合入门[捂脸]太底层了一点。原理讲解深入浅出，实战代码丰富有趣，作为TensorFlow的入门书籍非常适合。解了我心头的困惑。很好的一本书，看完大致明白了什么是深度学习，也了解了一些模型，不过还是感觉不明白为什么这些模型会产生这种结果，有点知其然不知其所以然，看来还需要看更多书。本书采用TF1.X版本，不建议作为学习TF工具书，浪费时间，了解相关概念可以略读，如果想学习TF2的方法，建议学习Github上的简单粗暴Tensorflow开源教程。一本工具书级别的tensorflow教材，内容丰富，结构合理。关于深度学习在Tensorflow框架应用中的一本好书。关于深度学习和Tensorflow非常不错的一本书，适合各个层次的读者阅读。精彩摘录精彩摘录其本质为一个可以模拟人脑进行分析、学习的神经网络，它模仿人脑的机制来解释数据（如图像、声音和文本），通过组合低层特征，形成更加抽象的高层特征或属性类别，来拟合人们日常生活中的各种事情。TensorFlow可以理解为一个深度学习框架，里面有完整的数据流向与处理机制，同时还封装了大量高效可用的算法及神经网络搭建方面的函数，可以在此基础之上进行深度学习的开发与研究。本书是基于TensorFlow来进行深度学习研究的。深度学习大概有如下4个步骤：（1）准备数据。（2）搭建模型。（3）迭代训练。（4）使用模型。使用tf.global_variables_initializer函数初始化所有变量的步骤，必须在所有变量和OP定义完成之后（1）定义TensorFlow输入节点。（2）定义“学习参数”的变量。（3）定义“运算”。（4）优化函数，优化目标。（5）初始化所有变量。（6）迭代更新参数到最优解。（7）测试模型。（8）使用模型。神经网络在训练的过程中数据的流向有两个方向，即先通过正向生成一个值，然后观察其与真实值的差距，再通过反向过程将里面的参数进行调整，接着再次正向生成预测值并与真实值进行比对，这样循环下去，直到将参数调整为合适值为止。目录分析第1章快速了解人工智能与TensorFlow第3章TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例第2章搭建开发环境第1篇深度学习与TensorFlow基础第5章识别图中模糊的手写数字（实例21）第4章TensorFlow编程基础第1篇深度学习与TensorFlow基础第1章快速了解人工智能与TensorFlow1.1什么是深度学习1.2TensorFlow是做什么的1.3TensorFlow的特点1.4其他深度学习框架特点及介绍1.5如何通过本书学好深度学习第2章搭建开发环境2.1下载及安装Anaconda开发工具2.2在Windows平台下载及安装TensorFlow2.3GPU版本的安装方法2.4熟悉Anaconda3开发工具第3章TensorFlow基本开发步骤——以逻辑回归拟合二维数据为例3.1实例1：从一组看似混乱的数据中找出y≈2x的规律3.2模型是如何训练出来的3.3了解TensorFlow开发的基本步骤第4章TensorFlow编程基础4.1编程模型4.2TensorFlow基础类型定义及操作函数介绍4.3共享变量4.4实例19：图的基本操作4.5配置分布式TensorFlow4.6动态图（Eager）4.7数据集（tf.data）第5章识别图中模糊的手写数字（实例21）5.1导入图片数据集5.2分析图片的特点，定义变量5.3构建模型5.4训练模型并输出中间状态参数5.5测试模型5.6保存模型5.7读取模型第6章单个神经元第7章多层神经网络——解决非线性问题第8章卷积神经网络——解决参数太多问题第9章循环神经网络——具有记忆功能的网络第10章自编码网络——能够自学习样本特征的网络12345第2篇深度学习基础——神经网络第6章单个神经元6.1神经元的拟合原理6.2激活函数——加入非线性因素，解决线性模型缺陷6.3softmax算法——处理分类问题6.4损失函数——用真实值与预测值的距离来指导模型的收敛方向6.5softmax算法与损失函数的综合应用6.6梯度下降——让模型逼近最小偏差6.7初始化学习参数6.8单个神经元的扩展——Maxout网络6.9练习题第7章多层神经网络——解决非线性问题7.1线性问题与非线性问题7.2使用隐藏层解决非线性问题7.3实例31：利用全连接网络将图片进行分类7.4全连接网络训练中的优化技巧7.5练习题第8章卷积神经网络——解决参数太多问题8.1全连接网络的局限性8.2理解卷积神经网络8.3网络结构8.4卷积神经网络的相关函数8.5使用卷积神经网络对图片分类8.6反卷积神经网络8.7实例50：用反卷积技术复原卷积网络各层图像8.8善用函数封装库8.9深度学习的模型训练技巧第9章循环神经网络——具有记忆功能的网络9.1了解RNN的工作原理9.2简单RNN9.3循环神经网络（RNN）的改进9.4TensorFlow实战RNN9.5实例68：利用BiRNN实现语音识别9.6实例69：利用RNN训练语言模型9.7语言模型的系统学习9.8处理Seq2Seq任务9.9实例75：制作一个简单的聊天机器人第10章自编码网络——能够自学习样本特征的网络10.1自编码网络介绍及应用10.2最简单的自编码网络10.3自编码网络的代码实现10.4去噪自编码10.5去噪自编码网络的代码实现10.6栈式自编码10.7深度学习中自编码的常用方法10.8去噪自编码与栈式自编码的综合实现10.9变分自编码第12章对抗神经网络（GAN）第11章深度神经网络第3篇深度学习进阶第11章深度神经网络11.1深度神经网络介绍11.2GoogLeNet模型介绍11.3残差网络（ResNet）11.4Inception-ResNet-v2结构11.5TensorFlow中的图片分类模型库——slim11.6使用slim中的深度网络模型进行图像的识别与检测11.7实物检测模型库——ObjectDetectionAPI11.8实物检测领域的相关模型11.9机器自己设计的模型（NASNet）第12章对抗神经网络（GAN）12.1GAN的理论知识12.2DCGAN——基于深度卷积的GAN12.3InfoGAN和ACGAN：指定类别生成模拟样本的GAN12.4AEGAN：基于自编码器的GAN12.5WGAN-GP：更容易训练的GAN12.6