TensorFlow深度學(xué)習(xí)實例教程

前言 \n
二維碼資源清單 \n
項目1 搭建TensorFlow開發(fā)環(huán)境1 \n
項目描述1 \n
思維導(dǎo)圖1 \n
項目目標(biāo)1 \n
1.1 人工智能、機器學(xué)習(xí)與深度學(xué)習(xí)2 \n
1.1.1 人工智能2 \n
1.1.2 機器學(xué)習(xí)2 \n
1.1.3 深度學(xué)習(xí)4 \n
1.2 深度學(xué)習(xí)簡介5 \n
1.2.1 深度學(xué)習(xí)發(fā)展簡史5 \n
1.2.2 深度學(xué)習(xí)的工作原理7 \n
1.2.3 深度學(xué)習(xí)的應(yīng)用9 \n
1.3 任務(wù)1：認識深度學(xué)習(xí)框架13 \n
1.3.1 TensorFlow13 \n
1.3.2 Keras14 \n
1.3.3 PyTorch14 \n
1.3.4 Caffe15 \n
1.3.5 MXNet15 \n
1.3.6 PaddlePaddle16 \n
1.4 任務(wù)2：搭建深度學(xué)習(xí)開發(fā)環(huán)境17 \n
1.4.1 安裝Anaconda17 \n
1.4.2 使用Conda管理環(huán)境20 \n
1.4.3 安裝TensorFlow21 \n
1.4.4 常用編輯器22 \n
拓展項目24 \n
項目2 手寫數(shù)字識別：TensorFlow初探26 \n
項目描述26 \n
思維導(dǎo)圖26 \n
項目目標(biāo)26 \n
2.1 TensorFlow架構(gòu)27 \n
2.1.1 TensorFlow架構(gòu)圖27 \n
2.1.2 TensorFlow 1.x和2.0之間的差異28 \n
2.1.3 TensorFlow數(shù)據(jù)流圖29 \n
2.1.4 TensorFlow運行機制31 \n
2.2 任務(wù)1：張量的基本操作32 \n
2.2.1 張量的階、形狀、數(shù)據(jù)類型32 \n
2.2.2 現(xiàn)實世界中的數(shù)據(jù)張量35 \n
2.2.3 MNIST數(shù)據(jù)集39 \n
2.2.4 索引與切片43 \n
2.2.5 維度變換47 \n
2.2.6 廣播機制51 \n
2.3 任務(wù)2：張量的進階操作54 \n
2.3.1 合并與分割54 \n
2.3.2 大值、小值、均值、和58 \n
2.3.3 張量比較60 \n
2.3.4 張量排序63 \n
2.3.5 張量中提取數(shù)值64 \n
拓展項目65 \n
項目3 房價預(yù)測：前饋神經(jīng)網(wǎng)絡(luò)67 \n
項目描述67 \n
思維導(dǎo)圖67 \n
項目目標(biāo)67 \n
3.1 任務(wù)1：實現(xiàn)一元線性回歸模型68 \n
3.1.1 準備數(shù)據(jù)69 \n
3.1.2 構(gòu)建模型69 \n
3.1.3 迭代訓(xùn)練70 \n
3.1.4 保存和讀取模型71 \n
3.2 認識神經(jīng)網(wǎng)絡(luò)72 \n
3.2.1 神經(jīng)元72 \n
3.2.2 激活函數(shù)74 \n
3.3 任務(wù)2：房價預(yù)測78 \n
3.3.1 準備數(shù)據(jù)集79 \n
3.3.2 構(gòu)建模型81 \n
3.3.3 訓(xùn)練模型83 \n
3.4 前饋神經(jīng)網(wǎng)絡(luò)87 \n
3.4.1 前饋神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)87 \n
3.4.2 損失函數(shù)89 \n
3.4.3 反向傳播算法92 \n
3.4.4 梯度下降算法95 \n
拓展項目100 \n
項目4 服裝圖像識別：Keras搭建與訓(xùn)練模型102 \n
項目描述102 \n
思維導(dǎo)圖102 \n
項目目標(biāo)102 \n
4.1 認識tf.keras103 \n
4.1.1 Keras與tf.keras103 \n
4.1.2 層（Layer）104 \n
4.1.3 模型（Model）106 \n
4.2 任務(wù)1：服裝圖像識別108 \n
4.2.1 構(gòu)建模型108 \n
4.2.2 訓(xùn)練模型111 \n
4.2.3 評估模型115 \n
4.3 任務(wù)2：保存與加載模型116 \n
4.3.1 SavedModel方式保存模型117 \n
4.3.2 H5格式保存模型118 \n
4.3.3 檢查點（Checkpoint）格式保存模型119 \n
4.4 任務(wù)3：tf.data優(yōu)化訓(xùn)練數(shù)據(jù)120 \n
4.4.1 訓(xùn)練數(shù)據(jù)輸入模型的方法120 \n
4.4.2 tf.data API121 \n
4.4.3 tf.data.Dataset122 \n
4.5 任務(wù)4：花卉識別125 \n
4.5.1 下載圖片125 \n
4.5.2 構(gòu)建花卉數(shù)據(jù)集127 \n
4.5.3 構(gòu)建與訓(xùn)練模型129 \n
4.5.4 保存與加載模型130 \n
拓展項目131 \n
項目5 圖像識別：卷積神經(jīng)網(wǎng)絡(luò)132 \n
項目描述132 \n
思維導(dǎo)圖132 \n
項目目標(biāo)132 \n
5.1 認識卷積神經(jīng)網(wǎng)絡(luò)133 \n
5.1.1 卷積神經(jīng)網(wǎng)絡(luò)發(fā)展歷史133 \n
5.1.2 全連接神經(jīng)網(wǎng)絡(luò)的問題134 \n
5.2 卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)135 \n
5.2.1 卷積運算135 \n
5.2.2 填充136 \n
5.2.3 步長137 \n
5.2.4 多輸入通道和多輸出通道138 \n
5.2.5 池化層139 \n
5.3 TensorFlow對卷積神經(jīng)網(wǎng)絡(luò)的支持140 \n
5.3.1 卷積函數(shù)141 \n
5.3.2 池化函數(shù)144 \n
5.4 任務(wù)1：識別CIFAR-10圖像145 \n
5.4.1 卷積網(wǎng)絡(luò)的整體結(jié)構(gòu)145 \n
5.4.2 CIFAR-10數(shù)據(jù)集146 \n
5.4.3 構(gòu)造卷積神經(jīng)網(wǎng)絡(luò)模型148 \n
5.4.4 編譯、訓(xùn)練并評估模型149 \n
5.5 任務(wù)2：搭建經(jīng)典卷積網(wǎng)絡(luò)150 \n
5.5.1 圖像識別的難題151 \n
5.5.2 AlexNet152 \n
5.5.3 VGG系列154 \n
5.5.4 ResNet156 \n
5.6 任務(wù)3：ResNet實現(xiàn)圖像識別158 \n
5.6.1 ResNet模型結(jié)構(gòu)158 \n
5.6.2 BasicBlock類159 \n
5.6.3 搭建ResNet網(wǎng)絡(luò)模型160 \n
5.6.4 加載數(shù)據(jù)集并訓(xùn)練模型162 \n
拓展項目163 \n
項目6 AI詩人：循環(huán)神經(jīng)網(wǎng)絡(luò)164 \n
項目描述164 \n
思維導(dǎo)圖164 \n
項目目標(biāo)164 \n
6.1 認識循環(huán)神經(jīng)網(wǎng)絡(luò)165 \n
6.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)發(fā)展歷史165 \n
6.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用166 \n
6.1.3 循環(huán)神經(jīng)網(wǎng)絡(luò)的作用166 \n
6.2 任務(wù)1：電影評論分類167 \n
6.2.1 IMDb數(shù)據(jù)集167 \n
6.2.2 使用全連接神經(jīng)網(wǎng)絡(luò)169 \n
6.2.3 循環(huán)神經(jīng)網(wǎng)絡(luò)典型結(jié)構(gòu)170 \n
6.2.4 SimpleRNNCell使用方法171 \n
6.2.5 RNN分類IMDb數(shù)據(jù)集173 \n
6.2.6 RNN梯度消失176 \n
6.3 任務(wù)2：AI詩人176 \n
6.3.1 長短期記憶（LSTM）176 \n
6.3.2 文本生成：AI詩人178 \n
拓展項目184 \n
項目7 預(yù)測汽車油耗效率：TensorFlow.js應(yīng)用開發(fā)186 \n
項目描述186 \n
思維導(dǎo)圖186 \n
項目目標(biāo)186 \n
7.1 認識TensorFlow.js187 \n
7.1.1 TensorFlow.js的優(yōu)點187 \n
7.1.2 TensorFlow.js 的核心概念188 \n
7.1.3 TensorFlow.js 環(huán)境配置190 \n
7.2 任務(wù)1：預(yù)測汽車油耗效率193 \n
7.2.1 創(chuàng)建主頁并加載數(shù)據(jù)194 \n
7.2.2 定義模型結(jié)構(gòu)196 \n
7.2.3 數(shù)據(jù)預(yù)處理196 \n
7.2.4 訓(xùn)練與測試模型197 \n
7.3 任務(wù)2：手寫數(shù)字識別200 \n
7.3.1 從GitHub獲取源碼并運行200 \n
7.3.2 創(chuàng)建相關(guān)文件201 \n
7.3.3 定義模型結(jié)構(gòu)203 \n
7.3.4 訓(xùn)練模型206 \n
7.3.5 使用模型進行評估與預(yù)測208 \n
拓展項目210 \n
項目8 花卉識別：TensorFlow Lite211 \n
項目描述211 \n
思維導(dǎo)圖211 \n
項目目標(biāo)211 \n
8.1 認識TensorFlow Lite212 \n
8.1.1 TensorFlow Lite發(fā)展歷史212 \n
8.1.2 TensorFlow Lite的應(yīng)用213 \n
8.2 TensorFlow Lite體系結(jié)構(gòu)213 \n
8.2.1 TensorFlow Lite整體架構(gòu)213 \n
8.2.2 TensorFlow Lite轉(zhuǎn)換器214 \n
8.2.3 FlatBuffers格式215 \n
8.2.4 TensorFlow Lite解釋執(zhí)行器215 \n
8.3 任務(wù)1：TensorFlow Lite開發(fā)工作流程216 \n
8.3.1 選擇模型216 \n
8.3.2 模型轉(zhuǎn)換218 \n
8.3.3 模型推理219 \n
8.3.4 優(yōu)化模型220 \n
8.4 任務(wù)2：TensorFlow Lite實現(xiàn)花卉識別220 \n
8.4.1 選擇模型221 \n
8.4.2 Android部署226 \n
拓展項目233 \n
參考文獻 234 \n