Zi 字媒體

TensorFlow2深度學習(深度学习) 電子書(PDF+原始碼) 備份 [TensorFlow2-ebook] 資料來源:https://github.com/dragen1860/Deep-Learning-with-TensorFlow-book GITHUB: https://github.com/jash-git/TensorFlow2-ebook   目 錄 人工智能緒論 1.1 人工智能 1.2 神經網絡發展簡史 1.3 深度學習特點 1.4 深度學習應用 1.5 深度學習框架 1.6 開發環境安裝 1.7 參考文獻 第 2 章 回歸問題 2.1 神經元模型 2.2 優化方法 2.3 線性模型實戰 2.4 線性回歸 2.5 參考文獻 第 3 章分類問題 3.1 手寫數字圖片數據集 3.2 模型搆建 3.3 誤差計算 3.4 真的解決了嗎 3.5 非線性模型 3.6 表達能力 3.7 優化方法 3.8 手寫數字圖片識別體驗 3.9 小結 3.10 參考文獻 第 4 章 TensorFlow 基礎 4.1 數據類型 4.2 數值精度 4.3 待優化張量 4.4 創建張量 4.5 張量的典型應用 4.6 索引與切片 4.7 維度變換 4.8 Broadcasting 4.9 數學運算 4.10 前向傳播實戰 4.11 參考文獻 第 5 章 TensorFlow 進階 5.1 合并與分割 5.2 數據統計 5.3 張量比較 5.4 填充與復制 5.5 數據限幅 5.6 高級操作 5.7 經典數據集加載 5.8 MNIST 測試實戰 5.9 參考文獻 第 6 章 神經網絡 6.1 感知機 6.2 全連接層 6.3 神經網絡 6.4 激活函數 6.5 輸出層設計 6.6 誤差計算 6.7 神經網絡類型 6.8 油耗預測實戰 6.9 參考文獻 第 7 章 反向傳播算法 7.1 導數與梯度 7.2 導數常見性質 7.3 激活函數導數 7.4 損失函數梯度 7.5 全連接層梯度 7.6 鏈式法則 7.7 反向傳播算法 7.8 Himmelblau 函數優化實戰 7.9 反向傳播算法實戰 7.10 參考文獻 第 8 章 Keras 高層接口 8.1 常見功能模塊 8.2 模型裝配、訓練與測試 8.3 模型保存與加載 8.4 自定義類 8.5 模型樂園 8.6 測量工具 8.7 可視化 8.8 參考文獻 第 9 章 過擬合 9.1 模型的容量 9.2 過擬合與欠擬合 9.3 數據集划分 9.4 模型設計 9.5 正則化 9.6 Dropout 9.7 數據增強 9.8 過擬合問題實戰 9.9 參考文獻 第 10 章 卷積神經網絡 10.1 全連接網絡的問題 10.2 卷積神經網絡 10.3 卷積層實現 10.4 LeNet-5 實戰 10.5 表示學習 10.6 梯度傳播 10.7 池化層 10.8 BatchNorm 層 10.9 經典卷積網絡 10.10 CIFAR10 與VGG13 實戰 10.11 卷積層變種 10.12 深度殘差網絡 10.13 DenseNet 10.14 CIFAR10 與ResNet18 實戰 10.15 參考文獻 第 11 章 循環神經網絡 11.1 序列表示方法 11.2 循環神經網絡 11.3 梯度傳播 11.4 RNN 層使用方法 11.5 RNN 情感分類問題實戰 11.6 梯度彌散和梯度爆炸 11.7 RNN 短時記憶 11.8 LSTM 原理 11.9 LSTM 層使用方法 11.10 GRU 簡介 11.11 LSTM/GRU 情感分類問題再戰 11.12 預訓練的詞向量 11.13 參考文獻 第 12 章 自編碼器 12.1 自編碼器原理 12.2 MNIST 圖片重建實戰 12.3 自編碼器變種 12.4 變分自編碼器 12.5 VAE 實戰 12.6 參考文獻 第 13 章 生成對抗網絡 13.1 博弈學習實例 13.2 GAN 原理 13.3 DCGAN 實戰 13.4 GAN 變種 13.5 納什均衡 13.6 GAN 訓練難題 13.7 WGAN 原理 13.8 WGAN-GP 實戰 13.9 參考文獻 第 14 章 強化學習 14.1 先睹為快 14.2 強化學習問題 14.3 策略梯度方法 14.4 值函數方法 14.5 Actor-Critic 方法 14.6 小結 14.7 參考文獻 第15 章 自定義數據集 15.1 精靈寶可夢數據集 15.2 自定義數據集加載流程 15.3 寶可夢數據集實戰 15.4 遷移學習 15.5 Saved_model 15.6 模型部署 15.7 參考文獻