TensorFlow深度學(xué)習應用實(shí)踐簡(jiǎn)介，目錄書(shū)摘

通過(guò)TensorFlow圖像處理，全面掌握深度學(xué)習模型及應用
全面深入講解反饋神經(jīng)網(wǎng)絡(luò )和卷積神經(jīng)網(wǎng)絡(luò )理論體系
結合深度學(xué)習實(shí)際案例的實(shí)現，掌握TensorFlow程序設計方法和技巧
著(zhù)重深度學(xué)習實(shí)際應用程序開(kāi)發(fā)能力和解決問(wèn)題能力的培養

《TensorFlow深度學(xué)習應用實(shí)踐》總的指導思想是在掌握深度學(xué)習的基本知識和特性的基礎上，培養使用TensorFlow進(jìn)行實(shí)際編程以解決圖像處理相關(guān)問(wèn)題的能力?！禩ensorFlow深度學(xué)習應用實(shí)踐》力求深入淺出，通過(guò)通俗易懂的語(yǔ)言和詳細的程序分析，介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫(xiě)。
《TensorFlow深度學(xué)習應用實(shí)踐》共22章，內容包括Python類(lèi)庫的安裝和使用、TensorFlow基本數據結構和使用、TensorFlow數據集的創(chuàng )建與讀取、人工神經(jīng)網(wǎng)絡(luò )、反饋神經(jīng)網(wǎng)絡(luò )、全卷積神經(jīng)網(wǎng)絡(luò )的理論基礎、深度學(xué)習模型的創(chuàng )建、模型的特性、算法、ResNet、Slim、GAN等。本書(shū)強調理論聯(lián)系實(shí)際，重點(diǎn)介紹TensorFlow編程解決圖像識別的應用，提供了大量數據集，并以代碼的形式實(shí)現了深度學(xué)習模型，以供讀者參考。
《TensorFlow深度學(xué)習應用實(shí)踐》既可作為學(xué)習人工神經(jīng)網(wǎng)絡(luò )、深度學(xué)習、TensorFlow程序設計以及圖像處理等相關(guān)內容的程序設計人員培訓和自學(xué)用書(shū)，也可作為高等院校和培訓機構相關(guān)專(zhuān)業(yè)的教材。

王曉華，高校資深計算機專(zhuān)業(yè)講師，給研究生和本科生講授面向對象程序設計、數據結構、Hadoop程序設計等相關(guān)課程。主要研究方向為云計算、數據挖掘。曾主持和參與多項國家和省級科研課題，獨立完成一項科研成果獲省級成果認定，發(fā)表過(guò)多篇論文，申請有一項專(zhuān)利。著(zhù)有《Spark MLlib機器學(xué)習實(shí)踐》等圖書(shū)。

第1章  星星之火    1
1.1  計算機視覺(jué)與深度學(xué)習    1
1.1.1  人類(lèi)視覺(jué)神經(jīng)的啟迪    2
1.1.2  計算機視覺(jué)的難點(diǎn)與人工神經(jīng)網(wǎng)絡(luò )    3
1.1.3  應用深度學(xué)習解決計算機視覺(jué)問(wèn)題    4
1.2  計算機視覺(jué)學(xué)習的基礎與研究方向    5
1.2.1  學(xué)習計算機視覺(jué)結構圖    5
1.2.2  計算機視覺(jué)的學(xué)習方式和未來(lái)趨勢    6
1.3  本章小結    7
第2章  Python的安裝與使用    8
2.1  Python基本安裝和用法    8
2.1.1  Anaconda的下載與安裝    9
2.1.2  Python編譯器PyCharm的安裝    12
2.1.3  使用Python計算softmax函數    16
2.2  Python常用類(lèi)庫中的threading    17
2.2.1  threading庫的使用    18
2.2.2  threading模塊中最重要的Thread類(lèi)    18
2.2.3  threading中的Lock類(lèi)    19
2.2.4  threading中的join類(lèi)    20
2.3  本章小結    21
第3章  深度學(xué)習的理論基礎——機器學(xué)習    22
3.1  機器學(xué)習基本分類(lèi)    22
3.1.1  基于學(xué)科的分類(lèi)    22
3.1.2  基于學(xué)習模式的分類(lèi)    23
3.1.3  基于應用領(lǐng)域的分類(lèi)    23
3.2  機器學(xué)習基本算法    24
3.2.1  機器學(xué)習的算法流程    24
3.2.2  基本算法的分類(lèi)    25
3.3  算法的理論基礎    26
3.3.1  小學(xué)生的故事——求圓的面積    27
3.3.2  機器學(xué)習基礎理論——函數逼近    27
3.4  回歸算法    29
3.4.1  函數逼近經(jīng)典算法——線(xiàn)性回歸    29
3.4.2  線(xiàn)性回歸的姐妹——邏輯回歸    31
3.5  機器學(xué)習的其他算法——決策樹(shù)    32
3.5.1  水晶球的秘密    32
3.5.2  決策樹(shù)的算法基礎——信息熵    33
3.5.3  決策樹(shù)的算法基礎——ID3算法    34
3.6  本章小結    35
第4章  Python類(lèi)庫的使用——數據處理及可視化展示    37
4.1  從小例子起步——NumPy的初步使用    37
4.1.1  數據的矩陣化    37
4.1.2  數據分析    39
4.1.3  基于統計分析的數據處理    40
4.2  圖形化數據處理——Matplotlib包使用    41
4.2.1  差異的可視化    41
4.2.2  坐標圖的展示    42
4.2.3  玩個(gè)大的    44
4.3  深度學(xué)習理論方法——相似度計算    46
4.3.1  基于歐幾里得距離的相似度計算    46
4.3.2  基于余弦角度的相似度計算    47
4.3.3  歐幾里得相似度與余弦相似度的比較    48
4.4  數據的統計學(xué)可視化展示    49
4.4.1  數據的四分位    49
4.4.2  數據的四分位示例    50
4.4.3  數據的標準化    53
4.4.4  數據的平行化處理    55
4.4.5  熱點(diǎn)圖——屬性相關(guān)性檢測    57
4.5  Python實(shí)戰——某地降水的關(guān)系處理    58
4.5.1  不同年份的相同月份統計    58
4.5.2  不同月份之間的增減程度比較    59
4.5.3  每月降水不相關(guān)嗎    60
4.6  本章小結    61
第5章  OpenCV的基礎使用    62
5.1  OpenCV基本的圖片讀取    62
5.1.1  基本的圖片存儲格式    62
5.1.2  圖像的讀取與存儲    64
5.1.3  圖像的轉換    65
5.1.4  使用NumPy模塊對圖像進(jìn)行編輯    66
5.2  OpenCV的卷積核處理    68
5.2.1  計算機視覺(jué)的三種不同色彩空間    68
5.2.2  卷積核與圖像特征提取    68
5.2.3  卷積核進(jìn)階    70
5.3  本章小結    72
第6章  OpenCV與TensorFlow的融合    73
6.1  圖片的自由縮放以及邊緣裁剪    73
6.1.1  圖像的擴縮裁挖    73
6.1.2  圖像色調的調整    74
6.1.3  圖像的旋轉、平移和翻轉    76
6.2  使用OpenCV擴大圖像數據庫    77
6.2.1  圖像的隨機裁剪    77
6.2.2  圖像的隨機旋轉變換    78
6.2.3  圖像色彩的隨機變換    79
6.2.4  對鼠標的監控    80
6.3  本章小結    81
第7章  Let’s play TensorFlow    82
7.1  TensorFlow游樂(lè )場(chǎng)    82
7.1.1  I want to play a game    82
7.1.2  TensorFlow游樂(lè )場(chǎng)背后的故事    86
7.1.3  如何訓練神經(jīng)網(wǎng)絡(luò )    88
7.2  初識Hello TensorFlow    89
7.2.1  TensorFlow名稱(chēng)的解釋    89
7.2.2  TensorFlow基本概念    89
7.2.3  TensorFlow基本架構    92
7.3  本章小結    93
第8章  Hello TensorFlow，從0到1    94
8.1  TensorFlow的安裝    94
8.2  TensorFlow常量、變量和數據類(lèi)型    96
8.3  TensorFlow矩陣計算    100
8.4  Hello TensorFlow    102
8.5  本章小結    107