TensorFlow深度学习:手把手教你掌握100个精彩案例:Python版

内容简介

本书是一本系统论述TensorFlow编程的新形态图书（含纸质图书、程序代码及微课）。全书分为22章：～5章介绍了TensorFlow基础；第6～8章介绍了神经网络多层感知层编程；第9～12章介绍了人工智能数学；3章介绍了存储和读取；4章介绍了回归预测数据结果；5～17章介绍了图形辨识和N；8～20章介绍了N数学基础；第21～22章介绍了物体的影像辨识。 为便于读者学习，快速掌握人工智能和机器学习编程与实践，本书提供所有实例的完整源代码，并配套制作了微课。本书适合作为广大高校计算机专业相关课程的教材，也可以作为从事深度学习与机器学习技术的参考用书。

目录

目录第1章Python程序设计语言1.1Python程序设计语言历史1.2Python程序设计语言简介1.3Python版本简介第2章安装和运行Python开发环境2.1在Windows操作系统中安装Python2.2在Windows操作系统中测试与运行Python2.3在Mac操作系统中安装Python2.4在Mac操作系统中测试与运行Python2.5在Linux和树莓派中安装Python2.6在Linux或树莓派中测试与运行Python第3章开发程序和工具3.1我的第1个Windows版Python程序3.2我的第1个Mac、Linux和树莓派版Python程序3.3开发和调试工具的下载和安装3.4打开PyCharm3.5用PyCharm创建项目3.6调试项目3.7安装Anaconda3.8使用Anaconda3.9pip安3.10本书需要安装的第三方函数库列表第4章TensorFlow简介和安装4.1TensorFlow简介4.2安装TensorFlow4.3TensorFlow测试第5章显卡确认5.1安装NVIDIA的CUDA Toolkit 9.05.2安装NVIDIA的cuDNN v7.2.15.3安装Python 的TensorFlowGPU函数库5.4运行TensorFlowGPU程序5.5通过程序GPU显卡5.6GPU显卡内存上限第6章TensorFlow神经网络模型快速上手6.1人工智能开发步骤6.2创建训练集6.3构建模型6.4编译6.5训练6.6评估正确率6.7预测第7章TensorFlow改善神经网络模型MLP的率7.1模型不同的写法7.2TensorFlow与Keras 函数库的关系和差异7.3标记处理独热编码7.4处理多个特征值7.5通过改变深度学习训练次数改善预测结果7.6通过改变深度学习每次训练的数据量改善预测结果7.7通过增加神经元的数量改善预测结果7.8通过增加隐藏层的数量改善预测结果7.9通过增加训练集的数据笔数改善训练结果7.10使预测正确率达到第8章TensorFlow神经网络模型实战案例8.1鸢尾花的种类判断8.2鸢尾花植物辨识数据库8.3利用Python处理Excel文档8.4下载并存储鸢尾花数据8.5多层感知器模型8.6使用TensorFlow.keras 创建模型8.7澳大利亚堪培拉天气预测8.8Excel数据的提取和存储8.9CSV数据的提取、处理和存储8.10处理天气记录的Excel数据8.11使用神经网络模型MLP预测天气第9章TensorFlow神经网络神经元9.1神经网络图形工具9.2神经网络图形工具的TensorFlow数据9.3神经网络图形工具对应的TensorFlow程序9.4调整隐藏层和神经元9.5用少的隐藏层和神经元区分数据9.6通过TensorFlow 计算权重和偏移量9.7将神经元的权重和偏移量用表达式表示9.8用TensorFlow画出神经元的权重和偏移量9.9binary_crossentropy 二元法的处理9.10自定义数据验证回归和神经元的关系9.11激活函数9.12多个神经元第10章MLP神经网络的数学理论10.1激活函数Sigmoid的数学理论10.2激活函数Tanh的数学理论10.3激活函数ReLU的数学理论10.4使用激活函数的目的10.5MLP的计算公式10.6两层神经元的数学计算第11章TensorFlow神经网络隐藏层11.1隐藏层的作用11.2隐藏层的数学原理11.3MLP实例XOR问题11.4空间转换11.5再次切割11.6隐藏层的设置第12章TensorFlow神经网络短路径算法12.1图形显示训练过程历史12.2深度学习优化——短路径算法12.3Adam算法12.4SGD算法12.5RMSprop算法12.6Adagrad、Adadelta、Nadam和Momentum算法12.7选择优化算法的方法12.8特征值数据标准化12.9优化学习率12.10编译模型的metrics 指针第13章TensorFlow神经网络访问模型和训练结果13.1TensorBoard的使用13.2保存模型和训练后的结果13.3提取模型系统结构和模型权重13.4通过Callback每次训练存储权重一次13.5自动判断是否需要训练模型13.6分批次训练第14章TensorFlow神经网络MLP回归14.1回归的神经网络开发方法14.2神经网络回归的metrics 指针14.3单次梯度更新函数14.4损失函数与代价函数14.5波士顿房屋价格的数据库分析14.6将波士顿房屋价格数据下载存储Excel和CSV14.7特征关系14.8使用回归神经网络MLP预测波士顿房屋价格14.9调整神经网络使MLP回归更加14.10MLP回归分批继续训练14.11波士顿房屋价格的预测单次梯度更新第15章图像识别15.1模式识别原理15.2将图片转换成特征值15.3多层感知器MLP实战模式识别15.4实战手写数字图片数据集MNIST15.5显示MNIST中每一笔数据内容15.6图形显示MNIST内的数据15.7显示多张图片15.8图形和文字的识别原理15.9将图形数据转换为MLP训练集15.10使用MLP识别图形和文字15.11服饰数据集的模式识别15.12图形化显示服饰数据集15.13使用MLP识别服饰数据集第16章卷积神经网络16.1N简介16.2N和MLP的差异16.3N快速上手16.4N做手写数字图片识别之特征值的处理16.5N做手写数字图片识别之模型16.6N做手写数字图片识别之训练和预测16.7N做手写数字图片识别之减少训练时间16.8通过N提高图片识别率16.9使用N识别服饰种类16.10使用N识别彩色图片16.11使用N识别100种人物和物体16.12TensorFlow Datasets函数库16.13使用和整理TensorFlow Datasets函数库第17章OpenCV和N即时识别17.1OpenCV简介17.2使用OpenCV显示图片17.3使用OpenCV打开摄像机并捕捉实时画面17.4使用OpenCV存储照片17.5通过摄像机识别的一个手写数字17.6OpenCV手写程序17.7即时手写识别App17.8改善实际运用上的度17.9二值化第18章卷积神经网络原理18.1Conv2D函数的数学原理18.2Conv2D函数对图片每一个点的处理18.3Conv2D函数对边缘的处理18.4使用Conv2D函数显示图片18.5参数kernel_size 和ping的差异18.6滤镜数量的意义18.7激活函数的意义18.8多层Conv2D函数18.9多层池化层MaxPooling2D函数18.10池化层计算方法18.11平均池化Average Pooling18.12均值池化MeanPooling第19章利用卷积神经网络提高率的技巧19.1利用ImageDataGenerator函数创建更多训练集19.2利用width_shift_range参数水平移动图片 19.3利用rotation_range参数旋转图片 19.4利用zoom_range参数放大缩小图片 19.5利用brightness_range参数调整明暗度19.6height_shift_range、fill_mode及cval参数19.7将ImageDataGenerator用于MNIST数据 19.8二值化和更多神经元19.9MNIST手写预测19.10混淆数组Confusion Matrix第20章图学网络应用模块20.1图学网络应用模块20.2使用VGG16预测1000种对象20.3自制VGG16模型20.4将模型存储成图片20.5使用VGG16模型做CIFAR10彩色数据训练20.6使用VGG16模型做MNIST_fashion灰度数据训练20.7使用摄像机和VGG16模型即时识别10 000种对象20.8图学网络应用模块VGG1920.9图学网络应用模块ResNet5020.10图学网络应用模块Xception20.11图学网络应用模块 InceptionV320.12图学网络应用模块InceptionResNetV220.13图学网络应用模块NASNetLarge20.14图学网络应用模块DenseNet121第21章多影像识别实战21.1创建或设计识别图片21.2创建训练图库21.3训练图库21.4结合摄像机即时判断训练的图库21.5使用VGG16训练和测试图库21.6使用OpenCV找出多个物体21.7多对象的预测21.8利用摄像机做多对象的预测21.9文字的即时识别第22章多影像识别技术22.1多对象检测和多影像识别技术22.2Mask RN简介22.3Mask RN使用22.4取得预测率和对象位置22.5Mask RN结合OpenCV和摄像机即时识别22.6通过Mask RN判断上的多对象并存储22.7准备训练图片22.8训练自己的Mask RN权重22.9测试自己训练的物体22.10调整训练程序22.11使用Mask RN识别多个气球的位置 22.12TensorFlow 1.14和TensorFlow 2.1版本程序差异