從零開始學TensorFlow 2.0

第1章 人工智能的概念 1
1.1 機器學習 1
1.2 神經網絡 3
1.3 常用的深度學習框架 3
第2章 TensorFlow初探 5
2.1 在Linux系統中安裝TensorFlow 2.0 5
2.2 在Linux系統中安裝TensorFlow 2.0的GPU版本 5
2.3 在Windows系統中安裝TensorFlow 2.0 6
2.4 在Windows系統中安裝TensorFlow 2.0的GPU版本 14
第3章 TensorFlow的基礎概念 17
3.1 張量 17
3.2 GPU加速 19
3.3 數據集 20
3.4 自定義層 22
3.4.1 網絡層的常見操作 22
3.4.2 自定義網絡層 24
3.4.3 網絡層組合 25
3.4.4 自動求導 26
第4章 TensorFlow與多層感知器 30
4.1 MLP簡介 30
4.2 基礎MLP網絡 30
4.2.1 回歸分析 30
4.2.2 分類任務 33
4.3 基礎模型 36
4.4 權重初始化 39
4.5 激活函數 41
4.6 批標準化 44
4.7 dropout 46
4.8 模型集成 48
4.9 優化器 49
第5章 TensorFlow與捲積神經網絡 52
5.1 基礎捲積神經網絡 52
5.2 捲積層的概念及示例 53
5.3 池化層的概念及示例 54
5.4 全連接層的概念及示例 55
5.5 模型的概念、配置及訓練 57
第6章 TensorFlow自編碼器 60
6.1 自編碼器簡介 60
6.2 捲積自編碼器 64
第7章 TensorFlow高級編程 68
7.1 Keras基礎 68
7.1.1 構造數據 68
7.1.2 樣本權重和類權重 70
7.1.3 回調 72
7.2 函數式API 76
7.2.1 構建簡單的網絡 76
7.2.2 構建多個模型 78
7.2.3 兩種典型的復雜網絡 82
7.3 使用Keras自定義網絡層和模型 86
7.3.1 構建簡單網絡 86
7.3.2 構建自定義模型 90
7.4 Keras訓練模型 94
7.4.1 常見模型的訓練流程 94
7.4.2 自定義指標 96
7.4.3 自定義訓練和驗證循環 100
7.5 Keras模型的保存 106
第8章 TensorFlow文本分類 121
8.1 簡單文本分類 121
8.2 捲積文本分類 131
8.3 RNN文本分類 143
第9章 TensorFlow圖像處理 152
9.1 圖像分類 152
9.2 圖像識別 162
9.3 生成對抗網絡 168
第10章 TensorFlow決策樹 180
10.1 Boosted Trees簡介 180
10.2 數據預測 180
第11章 TensorFlow過擬合和欠擬合 197
11.1 過擬合和欠擬合的基本概念 197
11.2 過擬合和欠擬合 197
11.3 優化方法 208
11.3.1 dropout優化方案 208
11.3.2 L2正則化優化 212
第12章 TensorFlow結構化數據 217
12.1 數字列 219
12.2 bucketized列 220
12.3 類別列 222
12.4 嵌入列 223
12.5 哈希特徵列 224
12.6 交叉功能列 226
12.7 結構化數據的使用 227
第13章 TensorFlow回歸 233
13.1 一元線性回歸 233
13.2 多元線性回歸 237
13.3 汽車油耗回歸示例 241