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

 

 

 

目錄

 

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章捲積神經網絡

 

7.1為什麽選擇使用捲積神經網絡

 

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構建捲積神經網絡

 

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有關架構的最後註解

 

12.3GAN的應用

 

12.3.1藝術與時尚

 

12.3.2製造與研發

 

12.3.3電子游戲

 

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