深度學(xué)習(xí)實戰(zhàn)：基于TensorFlow 2和Keras（原書第2版）

前言
作者簡介
審校者簡介
第1章　基于TensorFlow 20的神經(jīng)網(wǎng)絡(luò)基礎(chǔ)1
11　TensorFlow是什么1
12　Keras是什么3
13　TensorFlow 20有哪些重要的改動3
14　神經(jīng)網(wǎng)絡(luò)概述4
15　感知器5
16　多層感知器—第一個神經(jīng)網(wǎng)絡(luò)示例6
161　感知器訓(xùn)練的問題及對策6
162　激活函數(shù)—sigmoid函數(shù)7
163　激活函數(shù)—tanh函數(shù)7
164　激活函數(shù)—ReLU函數(shù)8
165　兩個拓展激活函數(shù)—ELU函數(shù)和LeakyReLU函數(shù)8
166　激活函數(shù)總結(jié)9
167　神經(jīng)網(wǎng)絡(luò)到底是什么9
17　示例—識別手寫數(shù)字10
171　獨熱編碼10
172　在TensorFlow 20中定義一個簡單的神經(jīng)網(wǎng)絡(luò)10
173　運行一個簡單的TensorFlow 20神經(jīng)網(wǎng)絡(luò)并建立測試基線14
174　使用隱藏層改進TensorFlow 20的簡單神經(jīng)網(wǎng)絡(luò)15
175　利用隨機失活進一步改進Ten-sor Flow 20的簡單神經(jīng)網(wǎng)絡(luò)18
176　測試TensorFlow 20的不同優(yōu)化器19
177　增加epoch數(shù)24
178　控制優(yōu)化器學(xué)習(xí)率25
179　增加內(nèi)部隱藏神經(jīng)元的數(shù)量25
1710　增加批量計算的大小26
1711　手寫圖識別實驗總結(jié)26
18　正則化27
181　采用正則化以避免過擬合27
182　理解批量歸一化28
19　Google Colab—CPU、GPU和TPU29
110　情感分析31
111　超參數(shù)調(diào)諧和AutoML33
112　預(yù)測輸出34
113　反向傳播的實用概述34
114　我們學(xué)到了什么35
115　邁向深度學(xué)習(xí)方式35
116　參考文獻36
第2章　TensorFlow 1x與2x37
21　理解TensorFlow 1x37
211　TensorFlow 1x計算圖程序結(jié)構(gòu)37
212　常量、變量和占位符的使用39
213　操作對象示例40
214　TensorFlow 2x中的TensorFlow 1x示例43
22　理解TensorFlow 2x44
221　即刻執(zhí)行44
222　AutoGraph45
223　Keras API的三種編程模型47
224　回調(diào)49
225　保存模型和權(quán)重50
226　使用tfdatadatasets訓(xùn)練50
227　tfkeras還是估算器53
228　不規(guī)則張量55
229　自定義訓(xùn)練55
2210　TensorFlow 2x中的分布式訓(xùn)練56
2211　命名空間的改動59
2212　1x至2x的轉(zhuǎn)換59
2213　高效使用TensorFlow 2x59
23　TensorFlow 2x生態(tài)系統(tǒng)60
24　Keras還是tfkeras61
25　小結(jié)62
第3章　回歸64
31　什么是回歸64
32　使用線性回歸進行預(yù)測65
321　簡單線性回歸65
322　多線性回歸68
323　多元線性回歸68
33　TensorFlow Estimator69
331　特征列69
332　輸入函數(shù)70
333　使用TensorFlow EstimatorAPI的MNIST70
34　使用線性回歸預(yù)測房價71
35　分類任務(wù)和決策邊界75
351　logistic回歸75
352　MNIST數(shù)據(jù)集上的logistic回歸76
36　小結(jié)80
37　參考文獻80
第4章　卷積神經(jīng)網(wǎng)絡(luò)81
41　深度卷積神經(jīng)網(wǎng)絡(luò)81
411　局部感受野82
412　共享權(quán)重和偏差82
413　數(shù)學(xué)示例83
414　TensorFlow 2x中的ConvNets83
415　池化層84
42　DCNN的示例—LeNet85
421　TensorFlow 20中的LeNet代碼85
422　理解深度學(xué)習(xí)的力量90
43　通過深度學(xué)習(xí)識別CIFAR-10圖像91
431　用更深的網(wǎng)絡(luò)提高CIFAR-10的性能93
432　用數(shù)據(jù)增強提高CIFAR-10的性能95
433　基于CIFAR-10預(yù)測97
44　用于大規(guī)模圖像識別的超深度卷積網(wǎng)絡(luò)98
441　基于VGG16神經(jīng)網(wǎng)絡(luò)識別貓100
442　使用tfkeras內(nèi)置的VGG16 Net模塊101
443　復(fù)用預(yù)建深度學(xué)習(xí)模型以提取特征102
45　小結(jié)103
46　參考文獻103
第5章　高級卷積神經(jīng)網(wǎng)絡(luò)104
51　計算機視覺104
511　復(fù)雜任務(wù)的CNN組合104
512　用tfkeras-estimator模型對Fashion-MNIST分類111
513　在GPU上運行Fashion-MNISTtfkeras-estimator模型113
514　用于遷移學(xué)習(xí)的Deep Inception-v3 Net114
515　遷移學(xué)習(xí)：分類人和馬117
516　基于tfkeras和TensorFlow Hub的Application Zoo120
517　其他CNN架構(gòu)121
518　回答有關(guān)圖像的問題124
519　風(fēng)格遷移127
5110　創(chuàng)建DeepDream網(wǎng)絡(luò)129
5111　查看深度網(wǎng)絡(luò)學(xué)到的內(nèi)容132
52　視頻133
53　文本文件134
54　音頻和音樂137
55　卷積運算小結(jié)141
551　基本卷積神經(jīng)網(wǎng)絡(luò)141
552　空洞卷積141
553　可分離卷積141
554　深度卷積142
555　深度可分離卷積142
56　膠囊網(wǎng)絡(luò)142
561　CNN有什么問題142
562　Capsule網(wǎng)絡(luò)有什么新功能143
57　小結(jié)144
58　參考文獻144
第6章　生成對抗網(wǎng)絡(luò)146
61　什么是GAN146
62　深度卷積GAN152
63　一些有趣的GAN架構(gòu)161
631　SRGAN161
632　CycleGAN162
633　I