提要文摘: | 全书分为10章, 主要内容如下: 第1章为深度学习概述, 包括深度学习的基础知识、深度学习的生产力实现-TensorFlow、数据模型、TensorFlow项目介绍、TensorFlow工作环境的安装与运行; 第2章为机器学习概述, 讲解机器学习的定义、任务、性能、经验、学习算法、线性回归实例和TensorFlow的完整运行脚本; 第3章介绍从生物神经元到感知器的内容, 讲解基于MCP神经元实现布尔逻辑、感知器、使用感知器做分类等; 第4章介绍人工神经网络, 讲述的内容包括从感知器到多层感知器、带有权值的MCP神经元-感知器、反向传播神经网络、使用人工神经网络分类mnist; 第5章介绍Logistic回归与Softmax回归; 第6章介绍卷积神经网络, 讲述感知器模式识别、卷积操作、卷积神经网络的结构、使用TensorFlow实现卷积神经网络的实例; 第7章介绍循环神经网络, 包括循环神经网络的特征、有限状态机、从MCP神经网络到循环神经网络等; 第8章介绍LSTM循环神经网络, 包括梯度弥散现象、长短期记忆网络、通过TensorFlow实现一个简单的LSTM; 第9章深入讨论TensorFlow, 讲解机器学习框架、计算图、神经网络与计算图、TensorFlow中的数据流图、使用GPU、数据可视化工具TensorBoard等; 第10章为TensorFlow案例实践, 包括构建TensorFlow的图片分类系统、准备代码和训练集、构造模型计算图、训练模型、评估模型的性能、多GPU训练等。 |