Python深度学习TensorFlow
2020-04-17 10:07:47 0 举报AI智能生成
登录查看完整内容
Python深度学习：基于TensorFlow
作者其他创作
大纲/内容
Python深度学习：基于TensorFlow
第三部分 扩展篇
21 强化学习基础
21.1 强化学习简介
21.2 强化学习常用算法
21.2.1 Q-Learning算法
21.2.2 Sarsa算法
21.2.3 DQN算法
21.3 小结
22 生成式对抗网络
22.1 GAN简介
22.2 GAN的改进版本
22.3 小结
第一部分 Python及应用数学基础
1 NumPy常用操作
1.1 生成ndarray的几种方式
1.2 存取元素
1.3 矩阵操作
1.4 数据合并与展平
1.5 通用函数
1.6 广播机制
1.7 小结
2 Theano基础
2.1 安装
2.2 符号变量
2.3 符号计算图模型
2.4 函数
2.5 条件与循环
2.6 共享变量
2.7 小结
3 线性代数
3.1 标量、向量、矩阵和张量
3.2 矩阵和向量运算
3.3 特殊矩阵与向量
3.4 线性相关性及向量空间
3.5 范数
3.6 特征值分解
3.7 奇异值分解
3.8 迹运算
3.9 实例：用Python实现主成分分析
3.10 小结
4 概率与信息论
4.1 为何要学概率、信息论
4.2 样本空间与随机变量
4.3 概率分布
4.3.1 离散型随机变量
4.3.2 连续型随机变量
4.4 边缘概率
4.5 条件概率
4.6 条件概率的链式法则
4.7 独立性及条件独立性
4.8 期望、方差及协方差
4.9 贝叶斯定理
4.10 信息论
4.11 小结
5 概率图模型
5.1 为何要引入概率图
5.2 使用图描述模型结构
5.3 贝叶斯网络
5.3.1 隐马尔可夫模型简介
5.3.2 隐马尔可夫模型三要素
5.3.3 隐马尔可夫模型三个基本问题
5.3.4 隐马尔可夫模型简单实例
5.4 马尔可夫网络
5.4.1 马尔可夫随机场
5.4.2 条件随机场
5.4.3 实例：用Tensorflow实现条件随机场
5.5 小结
第二部分 深度学习理论与应用
6 机器学习基础
6.1 监督学习
6.1.1 线性模型
6.1.2 SVM
6.1.3 贝叶斯分类器
6.1.4 集成学习
6.2 无监督学习
6.2.1 主成分分析
6.2.2 k-means聚类
6.3 梯度下降与优化
6.3.1 梯度下降简介
6.3.2 梯度下降与数据集大小
6.3.3 传统梯度优化的不足
6.3.4 动量算法
6.3.5 自适应算法
6.3.6 有约束最优化
6.4 前馈神经网络
6.4.1 神经元结构
6.4.2 感知机的局限
6.4.3 多层神经网络
6.4.4 实例：用TensorFlow实现XOR
6.4.5 反向传播算法
6.5 实例：用Keras构建深度学习架构
6.6 小结
7 深度学习挑战与策略
7.1 正则化
7.1.1 正则化参数
7.1.2 增加数据量
7.1.3 梯度裁剪
7.1.4 提前终止
7.1.5 共享参数
7.1.6 Dropout
7.2 预处理
7.2.1 初始化
7.2.2 归一化
7.3 批量化
7.3.1 随机梯度下降法
7.3.2 批标准化
7.4 并行化
7.4.1 TensorFlow利用GPU加速
7.4.2 深度学习并行模式
7.5 选择合适的激活函数
7.6 选择合适代价函数
7.7 选择合适的优化算法
7.8 小结
8 安装TensorFlow
8.1 TensorFlow CPU版的安装
8.2 TensorFlow GPU版的安装
8.3 配置Jupyter Notebook
8.4 实例：CPU与GPU性能比较
8.5 实例：单GPU与多GPU性能比较
8.6 小结
9 TensorFlow基础
9.1 TensorFlow系统架构
9.2 数据流图
9.3 TensorFlow基本概念
9.3.1 张量
9.3.2 算子
9.3.3 计算图
9.3.4 会话
9.3.5 常量
9.3.6 变量
9.3.7 占位符
9.3.8 实例：比较constant、variable和placeholder
9.4 TensorFlow实现数据流图
9.5 可视化数据流图
9.6 TensorFlow分布式
9.7 小结
10 TensorFlow图像处理
10.1 加载图像
10.2 图像格式
10.3 把图像转换为TFRecord文件
10.4 读取TFRecord文件
10.5 图像处理实例
10.6 全新的数据读取方式——Dataset API
10.6.1 Dataset API架构
10.6.2 构建Dataset
10.6.3 创建迭代器
10.6.4 从迭代器中获取数据
10.6.5 读入输入数据
10.6.6 预处理数据
10.6.7 批处理数据集元素
10.6.8 使用高级API
10.7 小结
11 TensorFlow神经元函数
11.1 激活函数
11.1.1 sigmoid函数
11.1.2 tanh函数
11.1.3 relu函数
11.1.4 softplus函数
11.1.5 dropout函数
11.2 代价函数
11.2.1 sigmoid_cross_entropy_with_logits函数
11.2.2 softmax_cross_entropy_with_logits函数
11.2.3 sparse_softmax_cross_entropy_with_logits函数
11.2.4 weighted_cross_entropy_with_logits函数
11.3 小结
12 TensorFlow自编码器
12.1 自编码简介
12.2 降噪自编码
12.3 实例：TensorFlow实现自编码
12.4 实例：用自编码预测信用卡欺诈
12.5 小结
13 TensorFlow实现Word2Vec
13.1 词向量及其表达
13.2 Word2Vec原理
13.2.1 CBOW模型
13.2.2 Skim-gram模型
13.3 实例：TensorFlow实现Word2Vec
13.4 小结
14 TensorFlow卷积神经网络
14.1 卷积神经网络简介
14.2 卷积层
14.2.1 卷积核
14.2.2 步幅
14.2.3 填充
14.2.4 多通道上的卷积
14.2.5 激活函数
14.2.6 卷积函数
14.3 池化层
14.4 归一化层
14.5 TensorFlow实现简单卷积神经网络
14.6 TensorFlow实现进阶卷积神经网络
14.7 几种经典卷积神经网络
14.8 小结
15 TensorFlow循环神经网络
15.1 循环神经网络简介
15.2 前向传播与随时间反向传播
15.3 梯度消失或爆炸
15.4 LSTM算法
15.5 RNN其他变种
15.6 RNN应用场景
15.7 实例：用LSTM实现分类
15.8 小结
16 TensorFlow高层封装
16.1 TensorFlow高层封装简介
16.2 Estimator简介
16.3 实例：使用Estimator预定义模型
16.4 实例：使用Estimator自定义模型
16.5 Keras简介
16.6 实例：Keras实现序列式模型
16.7 TFLearn简介
16.7.1 利用TFLearn解决线性回归问题
16.7.2 利用TFLearn进行深度学习
16.8 小结
17 情感分析
17.1 深度学习与自然语言处理
17.2 词向量简介
17.3 循环神经网络
17.4 迁移学习简介
17.5 实例：TensorFlow实现情感分析
17.5.1 导入数据
17.5.2 定义辅助函数
17.5.3 构建RNN模型
17.5.4 调优超参数
17.5.5 训练模型
17.6 小结
18 利用TensorFlow预测乳腺癌
18.1 数据说明
18.2 数据预处理
18.3 探索数据
18.4 构建神经网络
18.5 训练并评估模型
18.6 小结
19 聊天机器人
19.1 聊天机器人原理
19.2 带注意力的框架
19.3 用TensorFlow实现聊天机器人
19.3.1 接口参数说明
19.3.2 训练模型
19.4 小结
20 人脸识别
20.1 人脸识别简介
20.2 项目概况
20.3 实施步骤
20.3.1 数据准备
20.3.2 预处理数据
20.3.3 训练模型
20.3.4 测试模型
20.4 小结
0 条评论
回复 删除
下一页
