TensorFlow深度學習（Python版）

第1章Python程序設計語言
1.1Python程序設計語言歷史
1.2Python程序設計語言簡介
1.3Python版本簡介
第2章安裝和運行Python開發(fā)環(huán)境
2.1在Windows操作系統(tǒng)中安裝Python
2.2在Windows操作系統(tǒng)中測試與運行Python
2.3在Mac操作系統(tǒng)中安裝Python
2.4在Mac操作系統(tǒng)中測試與運行Python
2.5在Linux和樹莓派中安裝Python
2.6在Linux或樹莓派中測試與運行Python
第3章開發(fā)程序和工具
3.1我的第1個Windows版Python程序
3.2我的第1個Mac、Linux和樹莓派版Python程序
3.3開發(fā)和調(diào)試工具的下載和安裝
3.4打開PyCharm
3.5用PyCharm創(chuàng)建項目
3.6調(diào)試項目
3.7安裝Anaconda
3.8使用Anaconda
3.9pip安裝包
3.10本書需要安裝的第三方函數(shù)庫列表
第4章TensorFlow簡介和安裝
4.1TensorFlow簡介
4.2安裝TensorFlow
4.3TensorFlow測試
第5章顯卡確認
5.1安裝NVIDIA的CUDA Toolkit 9.0
5.2安裝NVIDIA的cuDNN v7.2.1
5.3安裝Python 的TensorFlow GPU函數(shù)庫
5.4運行TensorFlowGPU程序
5.5通過程序指定GPU顯卡
5.6指定GPU顯卡內(nèi)存上限
第6章TensorFlow神經(jīng)網(wǎng)絡模型快速上手
6.1人工智能開發(fā)步驟
6.2創(chuàng)建訓練集
6.3構建模型
6.4編譯
6.5訓練
6.6評估正確率
6.7預測
第7章TensorFlow改善神經(jīng)網(wǎng)絡模型MLP的準確率
7.1模型不同的寫法
7.2TensorFlow與Keras 函數(shù)庫的關系和差異
7.3標記處理獨熱編碼
7.4處理多個特征值
7.5通過改變深度學習訓練次數(shù)改善預測結果
7.6通過改變深度學習每次訓練的數(shù)據(jù)量改善預測結果
7.7通過增加神經(jīng)元的數(shù)量改善預測結果
7.8通過增加隱藏層的數(shù)量改善預測結果
7.9通過增加訓練集的數(shù)據(jù)筆數(shù)改善訓練結果
7.10使預測正確率達到100%
第8章TensorFlow神經(jīng)網(wǎng)絡模型實戰(zhàn)案例
8.1鳶尾花的種類判斷
8.2鳶尾花植物辨識數(shù)據(jù)庫
8.3利用Python處理Excel文檔
8.4下載并存儲鳶尾花數(shù)據(jù)
8.5多層感知器模型
8.6使用TensorFlow.keras 創(chuàng)建模型
8.7澳大利亞堪培拉天氣預測
8.8Excel數(shù)據(jù)的提取和存儲
8.9CSV數(shù)據(jù)的提取、處理和存儲
8.10處理天氣記錄的Excel數(shù)據(jù)
8.11使用神經(jīng)網(wǎng)絡模型MLP預測天氣
第9章TensorFlow神經(jīng)網(wǎng)絡神經(jīng)元
9.1神經(jīng)網(wǎng)絡圖形工具
9.2神經(jīng)網(wǎng)絡圖形工具的TensorFlow數(shù)據(jù)
9.3神經(jīng)網(wǎng)絡圖形工具對應的TensorFlow程序
9.4調(diào)整隱藏層和神經(jīng)元
9.5用最少的隱藏層和神經(jīng)元區(qū)分數(shù)據(jù)
9.6通過TensorFlow 計算權重和偏移量
9.7將神經(jīng)元的權重和偏移量用表達式表示
9.8用TensorFlow畫出神經(jīng)元的權重和偏移量
9.9binary_crossentropy 二元法的處理
9.10自定義數(shù)據(jù)驗證回歸和神經(jīng)元的關系
9.11激活函數(shù)
9.12多個神經(jīng)元
第10章MLP神經(jīng)網(wǎng)絡的數(shù)學理論
10.1激活函數(shù)Sigmoid的數(shù)學理論
10.2激活函數(shù)Tanh的數(shù)學理論
10.3激活函數(shù)ReLU的數(shù)學理論
10.4使用激活函數(shù)的目的
10.5MLP的計算公式
10.6兩層神經(jīng)元的數(shù)學計算
第11章TensorFlow神經(jīng)網(wǎng)絡隱藏層
11.1隱藏層的作用
11.2隱藏層的數(shù)學原理
11.3MLP實例XOR問題
11.4空間轉換
11.5再次切割
11.6隱藏層的設置
第12章TensorFlow神經(jīng)網(wǎng)絡最短路徑算法
12.1圖形顯示訓練過程歷史
12.2深度學習優(yōu)化——最短路徑算法
12.3Adam算法
12.4SGD算法
12.5RMSprop算法
12.6Adagrad、Adadelta、Nadam和Momentum算法
12.7選擇優(yōu)化算法的方法
12.8特征值數(shù)據(jù)標準化
12.9優(yōu)化學習率
12.10編譯模型的metrics 指針
第13章TensorFlow神經(jīng)網(wǎng)絡訪問模型和訓練結果
13.1TensorBoard的使用
13.2保存模型和訓練后的結果
13.3提取模型系統(tǒng)結構和模型權重
13.4通過Callback每次訓練存儲權重一次
13.5自動判斷是否需要訓練模型
13.6分批次訓練
第14章TensorFlow神經(jīng)網(wǎng)絡MLP回歸
14.1回歸的神經(jīng)網(wǎng)絡開發(fā)方法
14.2神經(jīng)網(wǎng)絡回歸的metrics 指針
14.3單次梯度更新函數(shù)
14.4損失函數(shù)與代價函數(shù)
14.5波士頓房屋價格的數(shù)據(jù)庫分析
14.6將波士頓房屋價格數(shù)據(jù)下載存儲至Excel和CSV
14.7特征關系
14.8使用回歸神經(jīng)網(wǎng)絡MLP預測波士頓房屋價格
14.9調(diào)整神經(jīng)網(wǎng)絡使MLP回歸更加準確
14.10MLP回歸分批繼續(xù)訓練
14.11波士頓房屋價格的預測單次梯度更新
第15章圖像識別
15.1模式識別原理
15.2將圖片轉換成特征值
15.3多層感知器MLP實戰(zhàn)模式識別
15.4實戰(zhàn)手寫數(shù)字圖片數(shù)據(jù)集MNIST
15.5顯示MNIST中每一筆數(shù)據(jù)內(nèi)容
15.6圖形顯示MNIST內(nèi)的數(shù)據(jù)
15.7顯示多張圖片
15.8圖形和文字的識別原理
15.9將圖形數(shù)據(jù)轉換為MLP訓練集
15.10使用MLP識別圖形和文字
15.11服飾數(shù)據(jù)集的模式識別
15.12圖形化顯示服飾數(shù)據(jù)集
15.13使用MLP識別服飾數(shù)據(jù)集
第16章卷積神經(jīng)網(wǎng)絡
16.1CNN簡介
16.2CNN和MLP的差異
16.3CNN快速上手
16.4CNN做手寫數(shù)字圖片識別之特征值的處理
16.5CNN做手寫數(shù)字圖片識別之模型
16.6CNN做手寫數(shù)字圖片識別之訓練和預測
16.7CNN做手寫數(shù)字圖片識別之減少訓練時間
16.8通過CNN提高圖片識別率
16.9使用CNN識別服飾種類
16.10使用CNN識別彩色圖片
16.11使用CNN識別100種人物和物體
16.12TensorFlow Datasets函數(shù)庫
16.13使用和整理TensorFlow Datasets函數(shù)庫
第17章OpenCV和CNN即時識別
17.1OpenCV簡介
17.2使用OpenCV顯示圖片
17.3使用OpenCV打開攝像機并捕捉實時畫面
17.4使用OpenCV存儲照片
17.5通過攝像機識別的一個手寫數(shù)字
17.6OpenCV手寫程序
17.7即時手寫識別App
17.8改善實際運用上的準確度
17.9二值化
第18章卷積神經(jīng)網(wǎng)絡原理
18.1Conv2D函數(shù)的數(shù)學原理
18.2Conv2D函數(shù)對圖片每一個點的處理
18.3Conv2D函數(shù)對邊緣的處理
18.4使用Conv2D函數(shù)顯示圖片
18.5參數(shù)kernel_size 和padding的差異
18.6濾鏡數(shù)量的意義
18.7激活函數(shù)的意義
18.8多層Conv2D函數(shù)
18.9多層池化層MaxPooling2D函數(shù)
18.10池化層計算方法
18.11平均池化Average Pooling
18.12均值池化MeanPooling
第19章利用卷積神經(jīng)網(wǎng)絡提高準確率的技巧
19.1利用ImageDataGenerator函數(shù)創(chuàng)建更多訓練集
19.2利用width_shift_range參數(shù)水平移動圖片
19.3利用rotation_range參數(shù)旋轉圖片
19.4利用zoom_range參數(shù)放大縮小圖片
19.5利用brightness_range參數(shù)調(diào)整明暗度
19.6height_shift_range、fill_mode及cval參數(shù)
19.7將ImageDataGenerator用于MNIST數(shù)據(jù)
19.8二值化和更多神經(jīng)元
19.9MNIST手寫預測
19.10混淆數(shù)組Confusion Matrix
第20章圖學網(wǎng)絡應用模塊
20.1圖學網(wǎng)絡應用模塊
20.2使用VGG16預測1000種對象
20.3自制VGG16模型
20.4將模型存儲成圖片
20.5使用VGG16模型做CIFAR10彩色數(shù)據(jù)訓練
20.6使用VGG16模型做MNIST_fashion灰度數(shù)據(jù)訓練
20.7使用攝像機和VGG16模型即時識別10 000種對象
20.8圖學網(wǎng)絡應用模塊VGG19
20.9圖學網(wǎng)絡應用模塊ResNet50
20.10圖學網(wǎng)絡應用模塊Xception
20.11圖學網(wǎng)絡應用模塊InceptionV3
20.12圖學網(wǎng)絡應用模塊InceptionResNetV2
20.13圖學網(wǎng)絡應用模塊NASNetLarge
20.14圖學網(wǎng)絡應用模塊DenseNet121
第21章多影像識別實戰(zhàn)
21.1創(chuàng)建或設計識別圖片
21.2創(chuàng)建訓練圖庫
21.3訓練圖庫
21.4結合攝像機即時判斷訓練的圖庫
21.5使用VGG16訓練和測試圖庫
21.6使用OpenCV找出多個物體
21.7多對象的預測
21.8利用攝像機做多對象的預測
21.9文字的即時識別
第22章多影像識別技術
22.1多對象檢測和多影像識別技術
22.2Mask RCNN簡介
22.3Mask RCNN使用
22.4取得預測率和對象位置
22.5Mask RCNN結合OpenCV和攝像機即時識別
22.6通過Mask RCNN判斷視頻上的多對象并存儲視頻
22.7準備訓練圖片
22.8訓練自己的Mask RCNN權重
22.9測試自己訓練的物體
22.10調(diào)整訓練程序
22.11使用Mask RCNN識別多個氣球的位置
22.12TensorFlow 1.14和TensorFlow2.1版本程序差異