TensorFlow 深度學習 — 手把手教你掌握 100個精彩案例 (Python版)

柯博文  美國矽谷的科技公司創業者，LoopTek（錄克）公司 CTO，擁有20多年的實際開發經驗，全球數十家科技公司培訓講師。長期專注於人工智能、移動互聯、智能硬件的應用開發。曾任中國電子視像行業協會顧問、中國物聯網應用與推進聯盟顧問。致力推廣人工智能技術，在全球多個城市定期舉辦推廣活動，做過400餘場次的開發技術專題演講。出版多部暢銷圖書。

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

2章安裝和運行Python開發環境
2.1在Windows作系統中安裝Python
2.2在Windows作系統中測試與運行Python
2.3在Mac作系統中安裝Python
2.4在Mac作系統中測試與運行Python
2.5在Linu和樹莓派中安裝Python
2.6在Linu或樹莓派中測試與運行Python

3章開發程序和工具
3.1我的1個Windows版Python程序
3.2我的1個Mac、Linu和樹莓派版Python程序
3.3開發和調試工具的下載和安裝
3.4打開PyCharm
3.5用PyCharm創建項目
3.6調試項目
3.7安裝Anaconda
3.8使用Anaconda
3.9pip安裝包
3.10本書需要安裝的三方函數庫列表

4章TensorFlow簡介和安裝
4.1TensorFlow簡介
4.2安裝TensorFlow
4.3TensorFlow測試

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函數庫
5.4運行TensorFlowGPU程序
5.5通過程序指定GPU顯卡
5.6指定GPU顯卡內存上限

6章TensorFlow神經網絡模型快速上手
6.1人工智能開發步驟
6.2創建訓練集
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

7章TensorFlow改善神經網絡模型MLP的準確率
7.1模型不同的寫法
7.2TensorFlow與Keras 函數庫的關係和差異
7.3標記處理獨熱編碼
7.4處理多個特徵值
7.5通過改變深度學習訓練次數改善預測結果
7.6通過改變深度學習每次訓練的數據量改善預測結果
7.7通過增加神經元的數量改善預測結果
7.8通過增加隱藏層的數量改善預測結果
7.9通過增加訓練集的數據筆數改善訓練結果
7.10使預測正確率達到99%

8章TensorFlow神經網絡模型實戰案例
8.1鳶尾花的種類判斷
8.2鳶尾花植物辨識數據庫
8.3利用Python處理Ecel文檔
8.4下載並存儲鳶尾花數據
8.5多層感知器模型
8.6使用TensorFlow.keras 創建模型
8.7澳大利亞堪培拉天氣預測
8.8Ecel數據的提取和存儲
8.9CSV數據的提取、處理和存儲
8.10處理天氣記錄的Ecel數據
8.11使用神經網絡模型MLP預測天氣

9章TensorFlow神經網絡神經元
9.1神經網絡圖形工具
9.2神經網絡圖形工具的TensorFlow數據
9.3神經網絡圖形工具對應的TensorFlow程序
9.4調整隱藏層和神經元
9.5用少的隱藏層和神經元區分數據
9.6通過TensorFlow 計算權重和偏移量
9.7將神經元的權重和偏移量用表達式表示
9.8用TensorFlow畫出神經元的權重和偏移量
9.9binary_crossentropy 二元法的處理
9.10自定義數據驗證回歸和神經元的關係
9.11激活函數
9.12多個神經元

10章MLP神經網絡的數學理論
10.1激活函數Sigmoid的數學理論
10.2激活函數Tanh的數學理論
10.3激活函數ReLU的數學理論
10.4使用激活函數的目的
10.5MLP的計算公式
10.6兩層神經元的數學計算

11章TensorFlow神經網絡隱藏層
11.1隱藏層的作用
11.2隱藏層的數學原理
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

12章TensorFlow神經網絡短路徑算法
12.1圖形顯示訓練過程歷史
12.2深度學習優化——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選擇優化算法的方法
12.8特徵值數據標準化
12.9優化學習率
12.10編譯模型的metrics 指針

13章TensorFlow神經網絡訪問模型和訓練結果
13.1TensorBoard的使用
13.2保存模型和訓練後的結果
13.3提取模型系統結構和模型權重
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

14章TensorFlow神經網絡MLP回歸
14.1回歸的神經網絡開發方法
14.2神經網絡回歸的metrics 指針
14.3單次梯度更新函數
14.4損失函數與代價函數
14.5波士頓房屋價格的數據庫分析
14.6將波士頓房屋價格數據下載存儲至Ecel和CSV
14.7特徵關係
14.8使用回歸神經網絡MLP預測波士頓房屋價格
14.9調整神經網絡使MLP回歸更加準確
14.10MLP回歸分批繼續訓練
14.11波士頓房屋價格的預測單次梯度更新

15章圖像識別
15.1模式識別原理
15.2將圖片轉換成特徵值
15.3多層感知器MLP實戰模式識別
15.4實戰手寫數字圖片數據集MNIST
15.5顯示MNIST中每一筆數據內容
15.6圖形顯示MNIST內的數據
15.7顯示多張圖片
15.8圖形和文字的識別原理
15.9將圖形數據轉換為MLP訓練集
15.10使用MLP識別圖形和文字
15.11服飾數據集的模式識別
15.12圖形化顯示服飾數據集
15.13使用MLP識別服飾數據集

16章卷積神經網絡
16.1CNN簡介
16.2CNN和MLP的差異
16.3CNN快速上手
16.4CNN做手寫數字圖片識別之特徵值的處理
16.5CNN做手寫數字圖片識別之模型
16.6CNN做手寫數字圖片識別之訓練和預測
16.7CNN做手寫數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函數庫
16.13使用和整理TensorFlow Datasets函數庫

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打開攝像機並捕捉實時畫面
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

18章卷積神經網絡原理
18.1Conv2D函數的數學原理
18.2Conv2D函數對圖片每一個點的處理
18.3Conv2D函數對邊緣的處理
18.4使用Conv2D函數顯示圖片
18.5參數kernel_size 和padding的差異
18.6濾鏡數量的意義
18.7激活函數的意義
18.8多層Conv2D函數
18.9多層池化層MaPooling2D函數
18.10池化層計算方法
18.11平均池化Average Pooling
18.12均值池化MeanPooling

19章利用卷積神經網絡提高準確率的技巧
19.1利用ImageDataGenerator函數創建更多訓練集
19.2利用width_shift_range參數水平移動圖片 
19.3利用rotation_range參數旋轉圖片 
19.4利用zoom_range參數放大縮小圖片 
19.5利用brightness_range參數調整明暗度
19.6height_shift_range、fill_mode及cval參數
19.7將ImageDataGenerator用於MNIST數據 
19.8二值化和更多神經元
19.9MNIST手寫預測
19.10混淆數組Confusion Matri

20章圖學網絡應用模塊
20.1圖學網絡應用模塊
20.2使用VGG16預測1000種對象
20.3自製VGG16模型
20.4將模型存儲成圖片
20.5使用VGG16模型做CIFAR10彩色數據訓練
20.6使用VGG16模型做MNIST_fashion灰度數據訓練
20.7使用攝像機和VGG16模型即時識別10 000種對象
20.8圖學網絡應用模塊VGG19
20.9圖學網絡應用模塊ResNet50
20.10圖學網絡應用模塊Xception
20.11圖學網絡應用模塊InceptionV3
20.12圖學網絡應用模塊InceptionResNetV2
20.13圖學網絡應用模塊NASNetLarge
20.14圖學網絡應用模塊DenseNet121

第21章多影像識別實戰
21.1創建或設計識別圖片
21.2創建訓練圖庫
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並存儲視頻
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