TensorFlow 2.0深度學習從零開始學

第1章 TensorFlow 2．0的安裝
1．1 Python基本安裝和用法
1．1．1 Anaconda的下載與安裝
1．1．2 Python編譯器PyCharm的安裝
1．1．3 使用Python計算softmax函數(shù)
1．2 TensorFlow 2．0 GPU版本的安裝
1．2．1 檢測Anaconda中的TensorFlow版本
1．2．2 TensorFlow 2．0 GPU版本基礎顯卡推薦和前置軟件安裝
1．3 Hello TensorFlow 2．
1．4 本章小結(jié)
第2章 TensorFlow 2．0令人期待的變化
2．1 新的架構(gòu)、新的運行、新的開始
2．1．1 API精簡
2．1．2 Eager Execution
2．1．3 取消全局變量
2．1．4 使用函數(shù)而不是會話
2．1．5 棄用collection
2．2 配角轉(zhuǎn)成主角：從TensorFlow Eager Execution轉(zhuǎn)正談起
2．2．1 Eager簡介與調(diào)用
2．2．2 讀取數(shù)據(jù)
2．3 使用TensorFlow 2．0模式進行線性回歸的一個簡單例子
2．3．1 模型的工具與數(shù)據(jù)的生成
2．3．2 模型的定義
2．3．3 損失函數(shù)的定義
2．3．4 梯度函數(shù)的更新計算
2．4 TensorFlow 2．0進階-AutoGraph和t￡缸lcdon
2．5 本章小結(jié)
第3章 TensorFlow和Keras
3．1 模型！模型！模型！還是模型
3．2 使用Keras API實現(xiàn)鳶尾花分類的例子（順序模式）
3．2．1 數(shù)據(jù)的準備
3．2．2 數(shù)據(jù)的處理
3．2．3 梯度更新函數(shù)的寫法
3．2．4 使用Keras函數(shù)式編程實現(xiàn)鳶尾花分類的例子（重點）
3．2．5 使用保存的Keras模式對模型進行復用
3．2．6 使用TensorFlow 2．0標準化編譯對iris模型進行擬合
3．3 多輸入單一輸出TensorFlow 2．0編譯方法（選學）
3．3．1 數(shù)據(jù)的獲取與處理
3．3．2 模型的建立
3．3．3 數(shù)據(jù)的組合
3．4 多輸入多輸出TensorFlow 2．0編譯方法（選學）
3．5 全連接層詳解
3．5．1 全連接層的定義與實現(xiàn)
3．5．2 使用TensorFlow 2．0自帶的API實現(xiàn)全連接層
3．5．3 打印顯示TensorFlow 2．0設計的模型結(jié)構(gòu)和參數(shù)
3．6 本章小結(jié)
第4章 TensorFlow 2．0語法基礎
4．1 BP神經(jīng)網(wǎng)絡簡介
4．2 BP神經(jīng)網(wǎng)絡的兩個基礎算法
4．2．1 最小二乘法（LS算法）
4．2．2 道士下山的故事——梯度下降算法
4．3 反饋神經(jīng)網(wǎng)絡反向傳播算法
4．3．1 深度學習基礎
4．3．2 鏈式求導法則
4．3．3 反饋神經(jīng)網(wǎng)絡原理與公式推導
4．3．4 反饋神經(jīng)網(wǎng)絡原理的激活函數(shù)
4．3．5 反饋神經(jīng)網(wǎng)絡原理的Python實現(xiàn)
4．4 本章小結(jié)
第5章 卷積層與MNIST實戰(zhàn)
5．1 卷積運算
5．1．1 卷積運算的基本概念
5．1．2 TensorFlow2．0中卷積函數(shù)的實現(xiàn)
5．1．3 池化運算
5．1．4 softmax激活函數(shù)
5．1．5 卷積神經(jīng)網(wǎng)絡原理
5．2 TensorFlow2．0編程實戰(zhàn)：MNIST手寫體識別
5．2．1 MNIST數(shù)據(jù)集
5．2．2 MNIST數(shù)據(jù)集特征和標注
5．2．3 TensorFlow2．0編程實戰(zhàn)：MNIST數(shù)據(jù)集
5．2．4 使用自定義的卷積層實現(xiàn)MNIST識別
5．3 本章小結(jié)
……
第6章 TensorFlow 2．0 Dataset使用詳解
第7章 TensorFlow Datasets和TensorBoard詳解
第8章 從冠軍開始：ResNet
第9章 注意力機制
第10章 卷積神經(jīng)網(wǎng)絡實戰(zhàn)：識文斷字也可以