TensorFlow神經網絡設計——基於Python API的深度學習實戰 Applied Neural Networks with Tensorflow 2: API Oriented Deep Learning with Python

汪榮貴，合肥工業大學計算機與信息學院教授，中國人工智能學會離散智能計算專委會委員，安徽省人工智能學會理事，機械工業出版社計算機類教材出版咨詢專家；主要研究方向為機器學習與視頻圖像處理；承擔完成國家自然基金企業聯合基金、科技部重點研發計劃、電子產業基金、安徽省科技攻關重點項目等多個課題，以及中電集團四創電子股份公司等多個企業委托項目；發表80余篇學術論文，近期完成的研究成果獲安徽省科技進步二等獎、中電集團科技進步一等獎、合肥市科技進步一等獎，編著出版的《離散數學及其應用》、《算法設計與應用》、《機器學習及其應用》、《機器學習簡明教程》深受廣大讀者好評。

第1章緒論
1.1編程語言Python
1.1.1Python發展時間軸
1.1.2Python 2.x與Python 3.x
1.1.3選擇Python的原因
1.2機器學習框架TensorFlow
1.2.1TensorFlow發展時間軸
1.2.2選擇TensorFlow的原因
1.2.3TensorFlow 2.x的新特點
1.2.4TensorFlow的競爭產品
1.3安裝與環境設置

1.4硬件選項和要求
第2章機器學習簡介
2.1何為機器學習
2.2機器學習的範圍及相關鄰域
2.2.1人工智能
2.2.2深度學習
2.2.3數據科學
2.2.4大數據
2.2.5分類圖
2.3機器學習方式和模型
2.3.1監督學習
2.3.2非監督學習
2.3.3半監督學習
2.3.4強化學習
2.4機器學習的基本步驟
2.4.1數據收集
2.4.2數據準備
2.4.3模型選擇
2.4.4訓練
2.4.5評價
2.4.6調優超參數
2.4.7預測
2.5小結
第3章深度學習與神經網絡概述
3.1神經網絡和深度學習研究的時間軸
3.2人工神經網絡的結構
3.2.1McCullochPitts神經元
3.2.2現代深度神經網絡
3.3深度學習的優化算法
3.3.1最優化面臨的挑戰
3.3.2過度擬合與正則化
3.4小結
第4章TensorFlow 2.x的附加程序庫
4.1TensorFlow互補程序庫的安裝
4.1.1使用pip安裝
4.1.2程序庫的安裝
4.2常見程序庫
4.2.1NumPy——數組處理
4.2.2SciPy——科學計算
4.2.3Pandas——數組處理與數據分析
4.2.4Matplotlib和Seaborn——數據可視化
4.2.5Scikitlearn——機器學習
4.2.6Flask——部署
4.3小結
第5章TensorFlow 2.0與深度學習流程
5.1TensorFlow基礎
5.1.1直接執行
5.1.2張量
5.1.3TensorFlow變量
5.2TensorFlow深度學習流程
5.2.1數據加載與準備
5.2.2構建模型
5.2.3編譯、訓練、評估模型並進行預測
5.2.4保存並加載模型
5.3小結
第6章前饋神經網絡
6.1深度和淺層前饋神經網絡
6.1.1淺層前饋神經網絡
6.1.2深度前饋神經網絡
6.2前饋神經網絡架構
6.3案例分析： 燃油經濟學與Auto MPG
6.3.1初始安裝和導入
6.3.2下載 Auto MPG數據
6.3.3數據準備
6.3.4創建DataFrame
6.3.5丟棄空值
6.3.6處理分類變量
6.3.7將Auto MPG分為訓練集和測試集
6.3.8模型構建與訓練
6.3.9結果評價
6.3.10使用新的觀測數據進行預測
6.4小結
第7章卷積神經網絡
7.1為什麽選擇使用卷積神經網絡
7.2CNN的架構
7.2.1CNN中的網絡層
7.2.2完整的CNN模型
7.3案例研究： MNIST的圖像識別
7.3.1下載MNIST數據
7.3.2圖像的重塑與標準化
7.3.3構建卷積神經網絡
7.3.4模型的編譯與調試
7.3.5評價模型
7.3.6保存訓練完成的模型
7.4小結
第8章循環神經網絡
8.1序列數據與時序數據
8.2RNN與序列數據
8.3RNN基礎
8.3.1RNN的歷史
8.3.2RNN的應用
8.3.3RNN的運作機制
8.3.4RNN的類型
8.4案例研究： IMDB影評的情緒分析
8.4.1為Colab準備GPU加速訓練
8.4.2基於TensorFlow導入的數據集加載
8.4.3構建循環神經網絡
8.5小結
第9章自然語言處理
9.1NLP的歷史
9.2NLP的實際應用
9.3主要評估、技術、方法和任務
9.3.1形態句法學
9.3.2語義學
9.3.3語篇
9.3.4語音
9.3.5對話
9.3.6認知
9.4自然語言工具包
9.5案例研究： 深度NLP的文本生成
9.5.1案例實現目標
9.5.2莎士比亞語料庫
9.5.3初始導入
9.5.4加載語料庫
9.5.5文本向量化
9.5.6創建數據集
9.5.7模型構建
9.5.8編譯並訓練模型
9.5.9使用訓練好的模型生成文本
9.6小結
第10章推薦系統
10.1構建推薦系統的流行方法
10.1.1協同過濾方法
10.1.2基於內容的過濾
10.1.3構建推薦系統的其他方法
10.2案例開發： 深度協同過濾與MovieLens數據集
10.2.1初始導入
10.2.2加載數據
10.2.3數據處理
10.2.4拆分數據集
10.2.5構建模型
10.2.6編譯並訓練模型
10.2.7進行推薦
10.3小結
第11章自動編碼器
11.1自動編碼器的優缺點
11.2自動編碼器的架構
11.2.1自動編碼器的各個層
11.2.2深度的優勢
11.3自動編碼器的變體
11.3.1欠完備自動編碼器
11.3.2正則化自動編碼器
11.3.3變分自動編碼器
11.4自動編碼器的應用
11.5案例研發： Fashion MNIST圖像降噪
11.5.1初始導入
11.5.2加載並處理數據
11.5.3向圖像中添加噪聲
11.5.4構建模型
11.5.5噪聲圖像的降噪
11.6小結
第12章生成對抗網絡
12.1GAN方法
12.2架構
12.2.1生成器網絡
12.2.2判別器網絡
12.2.3潛在空間層
12.2.4面臨的問題： 模式崩潰
12.2.5有關架構的最後注解
12.3GAN的應用
12.3.1藝術與時尚
12.3.2制造與研發
12.3.3電子遊戲
12.3.4惡意應用與深度偽造
12.3.5其他應用
12.4案例研發： MNIST數據集的數字生成
12.4.1初始導入
12.4.2加載並處理MNIST數據集
12.4.3構建GAN模型
12.4.4配置GAN模型
12.4.5訓練GAN模型
12.4.6圖像生成函數
12.5小結
參考文獻