基于TensorFlow的深度學習

前言 1
第1章 深度學習概述 5
1.1 機器學習吞噬計算機科學 .5
1.2 深度學習原型 6
1.3 深度學習架構 10
1.4 深度學習框架 19
1.5 小結 20
第2章 TensorFlow原型概述 21
2.1 張量介紹 21
2.2 TensorFlow中的基本計算 32
2.3 命令式和聲明式編程 40
2.4 小結 44
第3章 使用TensorFlow進行線性和Logistic回歸 45
3.1 數(shù)學回顧 45
3.2 學習TensorFlow 56
3.3 在TensorFlow中訓練線性和Logistics模型 66
3.4 小結 78
第4章 全連接深層網(wǎng)絡 81
4.1 什么是全連接深層網(wǎng)絡？ 81
4.2 全連接網(wǎng)絡中的“神經(jīng)元”.83
4.3 訓練全連接神經(jīng)網(wǎng)絡 89
4.4 在TensorFlow中實現(xiàn) 95
4.5 小結 .100
第5章 超參數(shù)優(yōu)化 103
5.1 模型評估與超參數(shù)優(yōu)化 .104
5.2 指標，指標，指標 105
5.3 超參數(shù)調(diào)優(yōu)算法 111
5.4 小結 .117
第6章 卷積神經(jīng)網(wǎng)絡 118
6.1卷積結構概述 119
6.2 卷積網(wǎng)絡的應用 125
6.3 用TensorFlow訓練卷積網(wǎng)絡 132
6.4 小結 .144
第7章 遞歸神經(jīng)網(wǎng)絡 145
7.1 遞歸結構概述 .146
7.2 循環(huán)神經(jīng)元 148
7.3 遞歸模型的應用 150
7.4 神經(jīng)網(wǎng)絡圖靈機 153
7.5 遞歸神經(jīng)網(wǎng)絡的實際應用 155
7.6 處理Penn Treebank語料庫 155
7.7 小結 163
第8章 強化學習 164
8.1 馬爾科夫決策過程 .168
8.2 強化學習算法 .170
8.3 強化學習的局限性 .174
8.4 玩轉tic-tac-toe 175
8.5 A3C算法 187
8.6 小結 .196
第9章 訓練大型深度網(wǎng)絡 .198
9.1 為深度網(wǎng)絡自定義硬件 .198
9.2 使用CPU訓練 199
9.3 分布式深度網(wǎng)絡訓練 204
9.4 在Cifar10上與多GPS進行數(shù)據(jù)并行訓練 206
9.5 小結 .215
第10章 深度學習的未來 216
10.1 技術行業(yè)以外的深度學習 .216
10.2 道德地使用深度學習 219
10.3 通用人工智能是否迫在眉睫？ .221
10.4 接下來，何去何從？ 222