TensorFlow神经网络设计：基于Python API的深度学习实战

第1章绪论
1.1编程语言Python
1.1.1Python发展时间轴
1.1.2Python 2.x与Python 3.x
1.1.3选择Python的原因
1.2机器学习框架TensorFlow
1.2.1TensorFlow发展时间轴
1.2.2选择TensorFlow的原因
1.2.3TensorFlow 2.x的新特点
1.2.4TensorFlow的竞争产品
1.3安装与环境设置
1.4硬件选项和要求
第2章机器学习简介
2.1何为机器学习
2.2机器学习的范围及相关邻域
2.2.1人工智能
2.2.2深度学习
2.2.3数据科学
2.2.4大数据
2.2.5分类图
2.3机器学习方式和模型
2.3.1监督学习
2.3.2非监督学习
2.3.3半监督学习
2.3.4强化学习
2.4机器学习的基本步骤
2.4.1数据收集
2.4.2数据准备
2.4.3模型选择
2.4.4训练
2.4.5评价
2.4.6调优超参数
2.4.7预测
2.5小结
第3章深度学习与神经网络概述
3.1神经网络和深度学习研究的时间轴
3.2人工神经网络的结构
3.2.1McCullochPitts神经元
3.2.2现代深度神经网络
3.3深度学习的优化算法
3.3.1最优化面临的挑战
3.3.2过度拟合与正则化
3.4小结
第4章TensorFlow 2.x的附加程序库
4.1TensorFlow互补程序库的安装
4.1.1使用pip安装
4.1.2程序库的安装
4.2常见程序库
4.2.1NumPy——数组处理  
4.2.2SciPy——科学计算
4.2.3Pandas——数组处理与数据分析 
4.2.4Matplotlib和Seaborn——数据可视化  
4.2.5Scikitlearn——机器学习  
4.2.6Flask——部署 
4.3小结
第5章TensorFlow 2.0与深度学习流程
5.1TensorFlow基础
5.1.1直接执行
5.1.2张量
5.1.3TensorFlow变量
5.2TensorFlow深度学习流程
5.2.1数据加载与准备
5.2.2构建模型
5.2.3编译、训练、评估模型并进行预测
5.2.4保存并加载模型
5.3小结
第6章前馈神经网络
6.1深度和浅层前馈神经网络
6.1.1浅层前馈神经网络
6.1.2深度前馈神经网络
6.2前馈神经网络架构
6.3案例分析： 燃油经济学与Auto MPG
6.3.1初始安装和导入
6.3.2下载 Auto MPG数据
6.3.3数据准备
6.3.4创建DataFrame
6.3.5丢弃空值
6.3.6处理分类变量
6.3.7将Auto MPG分为训练集和测试集
6.3.8模型构建与训练
6.3.9结果评价
6.3.10使用新的观测数据进行预测
6.4小结
第7章卷积神经网络
7.1为什么选择使用卷积神经网络
7.2CNN的架构
7.2.1CNN中的网络层
7.2.2完整的CNN模型
7.3案例研究： MNIST的图像识别
7.3.1下载MNIST数据
7.3.2图像的重塑与标准化
7.3.3构建卷积神经网络
7.3.4模型的编译与调试
7.3.5评价模型
7.3.6保存训练完成的模型
7.4小结
第8章循环神经网络
8.1序列数据与时序数据
8.2RNN与序列数据
8.3RNN基础
8.3.1RNN的历史
8.3.2RNN的应用
8.3.3RNN的运作机制
8.3.4RNN的类型
8.4案例研究： IMDB影评的情绪分析
8.4.1为Colab准备GPU加速训练
8.4.2基于TensorFlow导入的数据集加载
8.4.3构建循环神经网络
8.5小结
第9章自然语言处理
9.1NLP的历史
9.2NLP的实际应用
9.3主要评估、技术、方法和任务
9.3.1形态句法学
9.3.2语义学
9.3.3语篇
9.3.4语音
9.3.5对话
9.3.6认知
9.4自然语言工具包
9.5案例研究： 深度NLP的文本生成
9.5.1案例实现目标
9.5.2莎士比亚语料库
9.5.3初始导入
9.5.4加载语料库
9.5.5文本向量化
9.5.6创建数据集
9.5.7模型构建
9.5.8编译并训练模型
9.5.9使用训练好的模型生成文本
9.6小结
第10章推荐系统
10.1构建推荐系统的流行方法
10.1.1协同过滤方法
10.1.2基于内容的过滤
10.1.3构建推荐系统的其他方法
10.2案例开发： 深度协同过滤与MovieLens数据集
10.2.1初始导入
10.2.2加载数据
10.2.3数据处理
10.2.4拆分数据集
10.2.5构建模型
10.2.6编译并训练模型
10.2.7进行推荐
10.3小结
第11章自动编码器
11.1自动编码器的优缺点
11.2自动编码器的架构
11.2.1自动编码器的各个层
11.2.2深度的优势
11.3自动编码器的变体
11.3.1欠完备自动编码器
11.3.2正则化自动编码器
11.3.3变分自动编码器
11.4自动编码器的应用
11.5案例研发： Fashion MNIST图像降噪
11.5.1初始导入
11.5.2加载并处理数据
11.5.3向图像中添加噪声
11.5.4构建模型
11.5.5噪声图像的降噪
11.6小结
第12章生成对抗网络
12.1GAN方法
12.2架构
12.2.1生成器网络
12.2.2判别器网络
12.2.3潜在空间层
12.2.4面临的问题： 模式崩溃
12.2.5有关架构的最后注解
12.3GAN的应用
12.3.1艺术与时尚
12.3.2制造与研发
12.3.3电子游戏
12.3.4恶意应用与深度伪造
12.3.5其他应用
12.4案例研发： MNIST数据集的数字生成
12.4.1初始导入
12.4.2加载并处理MNIST数据集
12.4.3构建GAN模型
12.4.4配置GAN模型
12.4.5训练GAN模型
12.4.6图像生成函数
12.5小结
参考文献