人工智能原理與實(shí)踐：基于Python語(yǔ)言和TensorFlow

基　礎(chǔ)　篇
第1章　緒論　1
1．1　人工智能簡(jiǎn)介　1
1．1．1　人工智能的概念　1
1．1．2　現(xiàn)代人工智能的興起　5
1．1．3　人工智能的學(xué)術(shù)流派　5
1．2　人工智能的發(fā)展歷史　8
1．2．1　孕育期（1956年之前）　8
1．2．2　形成期（1956～1969年）　9
1．2．3　發(fā)展期（1970年之后）　11
1．3　人工智能技術(shù)的研究?jī)?nèi)容與應(yīng)用領(lǐng)域　13
1．3．1　神經(jīng)網(wǎng)絡(luò)　14
1．3．2　機(jī)器學(xué)習(xí)　15
1．3．3　模式識(shí)別　15
1．3．4　自然語(yǔ)言理解　16
1．3．5　專(zhuān)家系統(tǒng)　17
1．3．6　博弈　17
1．3．7　智能控制　18
1．3．8　其他　18
1．4　人工智能與TensorFlow　18
1．4．1　機(jī)器學(xué)習(xí)與深度學(xué)習(xí)　18
1．4．2　TensorFlow概念　20
1．4．3　TensorFlow的應(yīng)用　23
第2章　Python基礎(chǔ)應(yīng)用　25
2．1　引言　25
2．2　Python的安裝　25
2．3　數(shù)據(jù)類(lèi)型與數(shù)據(jù)結(jié)構(gòu)　29
2．4　數(shù)字　29
2．5　變量及其命名規(guī)則　29
2．6　語(yǔ)句和表達(dá)式　30
2．7　字符串　31
2．8　容器　32
2．8．1　列表　32
2．8．2　元組　35
2．8．3　字典　35
2．8．4　復(fù)制　36
2．9　函數(shù)　38
2．9．1　常用內(nèi)置函數(shù)及高階函數(shù)　38
2．9．2　用戶自定義函數(shù)　42
2．10　常用庫(kù)　43
2．10．1　時(shí)間庫(kù)　43
2．10．2　科學(xué)計(jì)算庫(kù)（NumPy）　47
2．10．3　可視化繪圖庫(kù)（Matplotlib）　54
2．10．4　鎖與線程　58
2．10．5　多線程編程　59
第3章　TensorFlow基礎(chǔ)　62
3．1　TensorFlow的架構(gòu)　62
3．2　TensorFlow的開(kāi)發(fā)環(huán)境搭建　66
3．3　數(shù)據(jù)流圖簡(jiǎn)介　77
3．3．1　數(shù)據(jù)流圖基礎(chǔ)　77
3．3．2　節(jié)點(diǎn)的依賴(lài)關(guān)系　80
3．4　TensorFlow中定義數(shù)據(jù)流圖　83
3．4．1　構(gòu)建一個(gè)TensorFlow數(shù)據(jù)流圖　83
3．4．2　張量思維　87
3．4．3　張量的形狀　90
3．4．4　TensorFlow的Op　91
3．4．5　TensorFlow的Graph對(duì)象　93
3．4．6　TensorFlow的Session　94
3．4．7　輸入與占位符　97
3．4．8　Variable對(duì)象　98
3．5　通過(guò)名稱(chēng)作用域組織數(shù)據(jù)流圖　100
3．6　構(gòu)建數(shù)據(jù)流圖　105
3．7　運(yùn)行數(shù)據(jù)流圖　108
第4章　TensorFlow運(yùn)作方式　114
4．1　數(shù)據(jù)的準(zhǔn)備和下載　114
4．2　圖表構(gòu)建與推理　115
4．2．1　圖表構(gòu)建　115
4．2．2　推理　116
4．3　損失與訓(xùn)練　117
4．3．1　損失　117
4．3．2　訓(xùn)練　117
4．4　狀態(tài)檢查與可視化　118
4．4．1　狀態(tài)檢查　118
4．4．2　狀態(tài)可視化　119
4．5　評(píng)估模型　120
4．6　評(píng)估圖表的構(gòu)建與輸出　123
4．6．1　評(píng)估圖表的構(gòu)建　123
4．6．2　評(píng)估圖表的輸出　123
實(shí)　戰(zhàn) 篇
第5章　MNIST機(jī)器學(xué)習(xí)　125
5．1　MNIST數(shù)據(jù)集簡(jiǎn)介　125
5．2　MNIST數(shù)據(jù)下載　127
5．2．1　數(shù)據(jù)的準(zhǔn)備　129
5．2．2　數(shù)據(jù)重構(gòu)　130
5．2．3　數(shù)據(jù)集對(duì)象　130
5．3　softmax回歸模型簡(jiǎn)介　131
5．4　模型的訓(xùn)練與評(píng)估　132
5．5　TensorFlow模型基本步驟　135
5．6　構(gòu)建softmax回歸模型　135
第6章　卷積神經(jīng)網(wǎng)絡(luò)　138
6．1　卷積神經(jīng)網(wǎng)絡(luò)　138
6．2　卷積神經(jīng)網(wǎng)絡(luò)的模型架構(gòu)　142
6．2．1　ImageNet-2010網(wǎng)絡(luò)結(jié)構(gòu)　142
6．2．2　DeepID網(wǎng)絡(luò)結(jié)構(gòu)　143
6．3　卷積運(yùn)算　144
6．3．1　輸入和卷積核　145
6．3．2　降維　145
6．3．3　填充　145
6．3．4　數(shù)據(jù)格式　145
6．4　卷積常見(jiàn)層　146
6．4．1　卷積層　146
6．4．2　池化層　149
6．4．3　歸一化　150
6．4．4　高級(jí)層　151
6．5　TensorFlow和圖像　152
6．5．1　圖像加載　152
6．5．2　圖像格式　152
6．5．3　圖像操作　152
6．5．4　顏色空間變換　153
6．6　模型訓(xùn)練　153
6．7　模型評(píng)估　154
6．8　多GPU的模型訓(xùn)練　154
第7章　字詞的向量表示　155
7．1　WordEmbedding的基本概念和知識(shí)　156
7．2　Skip-Gram模型　158
7．2．1　數(shù)據(jù)集的準(zhǔn)備　160
7．2．2　模型結(jié)構(gòu)　161
7．2．3　處理噪聲對(duì)比　162
7．2．4　模型訓(xùn)練　163
7．3　嵌套學(xué)習(xí)可視化與評(píng)估　164
7．4　優(yōu)化實(shí)現(xiàn)　166
第8章　遞歸神經(jīng)網(wǎng)絡(luò)　168
8．1　遞歸神經(jīng)網(wǎng)絡(luò)的架構(gòu)　169
8．2　PTB數(shù)據(jù)　170
8．3　模型及LSTM　170
8．3．1　LSTM的概念　172
8．3．2　LSTM的結(jié)構(gòu)　173
8．3．3　LSTM的控制門(mén)　173
8．4　反向傳播的截?cái)唷?75
8．5　輸入與損失函數(shù)　175
8．6　多個(gè)LSTM層堆疊　175
8．7　代碼的編譯與運(yùn)行　176
第9章　Mandelbrot集合　177
9．1　庫(kù)的導(dǎo)入　178
9．2　會(huì)話和變量初始化　179
9．3　定義并運(yùn)行計(jì)算　179
第10章　偏微分方程模擬仿真　180
10．1　計(jì)算函數(shù)的定義　180
10．2　偏微分方程的定義　182
10．3　仿真　183
第11章　人臉識(shí)別　185
11．1　人臉識(shí)別概念　185
11．2　人臉識(shí)別的流程　188
11．2．1　人臉圖像的采集　188
11．2．2　人臉圖像的檢測(cè)　189
11．2．3　人臉圖像的預(yù)處理　189
11．2．4　人臉圖像的特征提取　189
11．2．5　人臉圖像的匹配與識(shí)別　190
11．2．6　活體鑒別　190
11．3　人臉識(shí)別種類(lèi)　190
11．3．1　人臉檢測(cè)　190
11．3．2　人臉關(guān)鍵點(diǎn)檢測(cè)　191
11．3．3　人臉驗(yàn)證　194
11．4　人臉檢測(cè)　194
11．4．1　LFW數(shù)據(jù)集　194
11．4．2　數(shù)據(jù)預(yù)處理與檢測(cè)　195
11．5　性別和年齡識(shí)別　196
11．5．1　數(shù)據(jù)預(yù)處理　198
11．5．2　模型構(gòu)建　198
11．5．3　模型訓(xùn)練　203
11．5．4　模型驗(yàn)證　204