TensorFlow 深度学习 PDF 文档

Question

本书共分 5 方面内容 ：基础知识、关键模块、算法模型、内核揭秘、生态发展。前两方面由浅入深地介绍了 TensorFlow 平台，算法模型方面依托 TensorFlow 讲解深度学习模型，内核揭秘方面主要分析 C++ 内核中的通信原理、消息管理机制等，最后从生态发展的角度讲解以 TensorFlow 为中心的一套开源大数据分析解决方案。

本书适合所有对深度学习和 TensorFlow 感兴趣的开发人员和数据分析师阅读。

机器学习关注的问题是如何使用算法将未经处理的原始数据转化为信息，进而转化为可供决策的情报。这一特性使得机器学习十分适用于大数据预测分析领域。可以说，没有机器学习，人们几乎不可能处理和整合当今世界的海量信息。另一方面，深度学习是机器学习算法的一个分支，其基本思想是学习出多个表示层，作为数据的模型。

近年来，人们设计并开发了很多性能强大的深度学习算法，应用于图像识别、自然语言处理等大量复杂任务。深度学习算法本质上无非是复杂神经网络的一种实现，使其能够通过对海量数据的分析进行学习。本书基于最新版 TensorFlow，介绍深度学习中的核心概念。TensorFlow 是谷歌 2011 年发布的一个开源框架，用于处理数学、机器学习和深度学习领域的问题。自发布以来，TensorFlow 大受欢迎，广泛应用于学术界、科研领域乃至工业领域。

TensorFlow 版本 1.0 含有统一的 API，它提供了恰到好处的灵活性。用户可以轻松实现和研究最前沿的算法架构，集中精力关注模型的组织结构，而不用为其中的数学细节而烦恼。在学习本书的过程中，你将通过建模、数据收集和转换等实际操作学习深度学习编程
技术。

目录
第 1 章 深度学习入门
1.1 机器学习简介
1.1.1 监督学习
1.1.2 无监督学习
1.1.3 强化学习
1.2 深度学习定义
1.2.1 人脑的工作机制
1.2.2 深度学习历史
1.2.3 应用领域
1.3 神经网络
1.3.1 生物神经元
1.3.2 人工神经元
1.4 人工神经网络的学习方式
1.4.1 反向传播算法
1.4.2 权重优化
1.4.3 随机梯度下降法
1.5 神经网络架构
1.5.1 多层感知器
1.5.2 DNN 架构
1.5.3 卷积神经网络
1.5.4 受限玻尔兹曼机
1.6 自编码器
1.7 循环神经网络
1.8 几种深度学习框架对比
1.9 小结
第 2 章 TensorFlow 初探
2.1 总览
2.1.1 TensorFlow 1.x 版本特性
2.1.2 使用上的改进
2.1.3 TensorFlow 安装与入门
2.2 在 Linux 上安装 TensorFlow
为平台选择安装版本
2.3 为 TensorFlow 启用 NVIDIA GPU
2.3.1 第 1 步：安装 NVIDIA CUDA
2.3.2 第 2 步：安装 NVIDIA cuDNN v5.1+
2.3.3 第 3 步：确定 GPU 卡的 CUDA 计算能力为 3.0+
2.3.4 第 4 步：安装 libcupti-dev 库
2.3.5 第 5 步：安装 Python（或 Python 3）
2.3.6 第 6 步：安装并升级 PIP（或 PIP3）
2.3.7 第 7 步：安装 TensorFlow
2.4 如何安装 TensorFlow
2.4.1 直接使用 pip 安装
2.4.2 使用 virtualenv 安装
2.4.3 从源代码安装
2.5 在 Windows 上安装 TensorFlow
2.5.1 在虚拟机上安装 TensorFlow
2.5.2 直接安装到 Windows
2.6 测试安装是否成功
2.7 计算图
2.8 为何采用计算图
神经网络的计算图表示
2.9 编程模型
2.10 数据模型
2.10.1 阶
2.10.2 形状
2.10.3 数据类型
2.10.4 变量
2.10.5 取回
2.10.6 注入
2.11 TensorBoard
TensorBoard 工作方式
2.12 实现一个单输入神经元
2.13 单输入神经元源代码
2.14 迁移到 TensorFlow 1.x 版本
2.14.1 如何用脚本升级
2.14.2 局限
2.14.3 手动升级代码
2.14.4 变量
2.14.5 汇总函数
2.14.6 简化的数学操作
2.14.7 其他事项
2.15 小结
第 3 章 用 TensorFlow 构建前馈神经网络
3.1 前馈神经网络介绍
3.1.1 前馈和反向传播
3.1.2 权重和偏差
3.1.3 传递函数
3.2 手写数字分类
3.3 探究 MNIST 数据集
3.4 softmax 分类器
可视化
3.5 TensorFlow 模型的保存和还原
3.5.1 保存模型
3.5.2 还原模型
3.5.3 softmax 源代码
3.5.4 softmax 启动器源代码
3.6 实现一个五层神经网络
3.6.1 可视化
3.6.2 五层神经网络源代码
3.7 ReLU 分类器
3.8 可视化
ReLU 分类器源代码
3.9 dropout 优化
3.10 可视化
dropout 优化源代码
3.11 小结
第 4 章 TensorFlow 与卷积神经网络
4.1 CNN 简介
4.2 CNN 架构
一个 CNN 模型——LeNet
4.3 构建你的第一个 CNN
手写分类器源代码
4.4 CNN 表情识别
4.4.1 表情分类器源代码
4.4.2 使用自己的图像测试模型
4.4.3 源代码
4.5 小结
第 5 章 优化 TensorFlow 自编码器
5.1 自编码器简介
5.2 实现一个自编码器
自编码器源代码
5.3 增强自编码器的鲁棒性
5.4 构建去噪自编码器
去噪自编码器源代码
5.5 卷积自编码器
5.5.1 编码器
5.5.2 解码器
5.5.3 卷积自编码器源代码
5.6 小结
第 6 章 循环神经网络
6.1 RNN 的基本概念
6.2 RNN 的工作机制
6.3 RNN 的展开
6.4 梯度消失问题
6.5 LSTM 网络
6.6 RNN 图像分类器
RNN 图像分类器源代码
6.7 双向 RNN
双向 RNN 源代码
6.8 文本预测
6.8.1 数据集
6.8.2 困惑度
6.8.3 PTB 模型
6.8.4 运行例程
6.9 小结
第 7 章 GPU 计算
7.1 GPGPU 计算
7.2 GPGPU 的历史
7.3 CUDA 架构
7.4 GPU 编程模型
7.5 TensorFlow 中 GPU 的设置
更新 TensorFlow
7.6 TensorFlow 的 GPU 管理
程序示例
7.7 GPU 内存管理
7.8 在多 GPU 系统上分配单个 GPU
带有软放置的 GPU 源代码
7.9 使用多个 GPU
多 GPU 管理源代码
7.10 小结
第 8 章 TensorFlow 高级编程
8.1 Keras 简介
安装
8.2 构建深度学习模型
8.3 影评的情感分类
Keras 电影分类器源代码
8.4 添加一个卷积层
含有卷积层的电影分类器源代码
8.5 Pretty Tensor
层的链接
8.6 数字分类器
数字分类器源代码
8.7 TFLearn
安装 TFLearn
8.8 泰坦尼克号幸存者预测器
泰坦尼克分类器源代码
8.9 小结
第 9 章 TensorFlow 高级多媒体编程
9.1 多媒体分析简介
9.2 基于深度学习的大型对象检测
9.2.1 瓶颈层
9.2.2 使用重训练的模型
9.3 加速线性代数
9.3.1 TensorFlow 的核心优势
9.3.2 加速线性代数的准时编译
9.4 TensorFlow 和 Keras
9.4.1 Keras 简介
9.4.2 拥有 Keras 的好处
9.4.3 视频问答系统
9.5 Android 上的深度学习
9.5.1 TensorFlow 演示程序
9.5.2 Android 入门
9.6 小结
第 10 章 强化学习
10.1 强化学习基本概念
10.2 Q-learning 算法
10.3 OpenAI Gym 框架简介
10.4 FrozenLake-v0 实现问题
FrozenLake-v0 问题源代码
10.5 使用 TensorFlow 实现 Q-learning
Q-learning 神经网络源代码
10.6 小结

下载地址：https://www.wenjiangs.com/wp-content/uploads/2024/03/qnUyMHxdRYujoLZU.zip