基于TensorFlow的深度学习：揭示数据隐含的奥秘

　　本书主要介绍TensorFlow及其在各种深度学习神经网络中的应用。全书共5章，首先介绍了TensorFlow的入门知识，包括其相关技术与模型以及安装配置，然后分别介绍了TensorFlow在深度神经网络、卷积神经网络、递归神经网络中的应用，并通过具体示例进行了详细分析与应用。后，对上述TensorFlow模型进行了总结分析，并核验了模型精度。

　　连晓峰 已发表学术论文40余篇，其中被EI收录20余篇；主持国家级项目子课题两项，省部级项目三项，校级项目两项，参与完成国家级项目四项，省部级项目六项；出版教材两部，专著两部，译著四十部；获得国家发明专利两项，实用新型专利一项；现为中国电子学会高级会员，系统仿真学会会员，北京高新技术企业认定委员会专家库专家，《机器人技术与应用》杂志社理事，国家工信部工业和信息化科技人才专家库专家。

译者序

原书前言

第1 章　入门知识 // 1

1.1　TensorFlow 安装 // 1

1.1.1　TensorFlow- 主界面 // 1

1.1.2　TensorFlow- 安装页面 // 1

1.1.3　通过pip 安装 // 1

1.1.4　通过CoCalc 安装 // 4

1.2　简单计算 // 6

1.2.1　定义标量和张量 // 6

1.2.2　张量计算 // 7

1.2.3　执行计算 // 7

1.2.4　张量变量 // 8

1.2.5　查看和替换中间值 // 9

1.3　逻辑回归模型建模 // 10

1.3.1　导入字体分类数据集 // 11

1.3.2　逻辑回归分析 // 13

1.3.3　数据准备 // 13

1.3.4　构建TensorFlow 模型 // 14

1.4　逻辑回归模型训练 // 15

1.4.1　编写损失函数 // 15

1.4.2　训练模型 // 16

1.4.3　评估模型精度 // 17

1.5　小结 // 19

第2 章　深度神经网络 // 20

2.1　基本神经网络 // 20

2.1.1　log 函数 // 21

2.1.2　sigmoid 函数 // 22

2.2　单隐层模型 // 23

2.2.1　单隐层模型探讨 // 24

2.2.2　反向传播算法 // 25

2.3　单隐层模型解释 // 26

2.3.1　理解模型权重 // 28

2.4　多隐层模型 // 29

2.4.1　多隐层模型探讨 // 30

2.5　多隐层模型结果 // 32

2.5.1　多隐层模型图理解 // 33

2.6　小结 // 36

第3 章　卷积神经网络 // 37

3.1　卷积层激励 // 37

3.1.1　多特征提取 // 40

3.2　卷积层应用 // 41

3.2.1　卷积层探讨 // 41

3.3　池化层激励 // 46

3.3.1　最大池化层 // 46

3.4　池化层应用 // 49

3.5　深度卷积神经网络 // 51

3.5.1　添加卷积层和池化层组合 // 51

3.5.2　应用卷积神经网络进行字体分类 // 53

3.6　更深度卷积神经网络 // 57

3.6.1　 对卷积神经网络中的一层添加另

一层 // 57

基于TensorFlow 的深度学习：

揭示数据隐含的奥秘

X

3.7　整理总结深度卷积神经网络 // 60

3.8　小结 // 64

第4 章　递归神经网络 // 65

4.1　递归神经网络探讨 // 65

4.1.1　权重建模 // 66

4.1.2　递归神经网络理解 // 67

4.2　TensorFlow Learn // 70

4.2.1　设置 // 71

4.2.2　逻辑回归 // 72

4.3　深度神经网络 // 73

4.3.1　 卷积神经网络在Learn 中的

应用 // 74

4.3.2　权重提取 // 77

4.4　小结 // 78

第5 章　总结整理 // 79

5.1　研究评价 // 79

5.2　所有模型的快速回顾 // 80

5.2.1　逻辑回归模型 // 80

5.2.2　单隐层神经网络模型 // 81

5.2.3　深度神经网络 // 83

5.2.4　卷积神经网络 // 84

5.2.5　深度卷积神经网络 // 85

5.3　TensorFlow 的展望 // 87

5.3.1　一些TensorFlow 工程项目 // 88

5.4　小结 // 90