醉染图书TensorFlow 2.0深度学习应用实践9787302554783

章 星星之火 1

1.1 计算机视觉与深度学习 1

1.1.1 人类视觉神经的启迪 2

1.1.2 计算机视觉的难点与人工神经网络 3

1.1.3 应用深度学习解决计算机视觉问题 4

1.2 计算机视觉学习的基础与研究方向 5

1.2.1 学习计算机视觉结构图 5

1.2.2 计算机视觉的学方和未来趋势 6

1.3 本章小结 7

第2章 Python的安装与使用 8

2.1 Python基本安装和用法 8

2.1.1 Anaconda的下载与安装 8

2.1.2 Python编译器PyCharm的安装 11

2.1.3 使用Python计算softmax函数 13

2.2 Python常用类库threading 15

2.2.1 threading库的使用 15

2.2.2 threading模块中重要的Thread类 16

2.. threading中Lock类 17

2.2.4 threading中join类 18

. 本章小结 18

第3章 深度学习的理论基础——机器学习 19

3.1 机器学习基本分类 19

3.1.1 应用学科的分类 19

3.1.2 学模的分类 20

3.1.3 应用领域的分类 20

3.2 机器学习基本算法 21

3.2.1 机器学习的算法流程 21

3.2.2 基本算法的分类 22

3.3 算的理基础

3.3.1 小学生的故事——求圆的面积

3.3.2 机器学习基础理论——函数逼近 24

3.4 回归算法 25

3.4.1 函数逼近经典算法——线回归算法 25

3.4.2 线回归的姐妹——逻辑回归 27

3.5 本章小结 28

第4章 Python类库的使用——数据处理及可视化展示 29

4.1 从小例子起步——NumPy的初步使用 29

4.1.1 数据的矩阵化 29

4.1.2 数据分析 30

4.1.3 基于统计分析的数据处理 32

4.2 图形化数据处理——Matplotlib包使用 32

4.2.1 差异的可视化 33

4.2.2 坐标图的展示 34

4.. 玩个大的 35

4.3 深度学习理论方法——相似度计算 38

4.3.1 基于欧几里得距离的相似度计算 38

4.3.2 基于余弦角度的相似度计算 39

4.3.3 欧几里得相似度与余弦相似度的比较 40

4.4 数据的统计学可视化展示 40

4.4.1 数据的四分位 40

4.4.2 数据的四分位示例 41

4.4.3 数据的标准化 45

4.4.4 数据的平行化处理 46

4.4.5 热点图-属关检测 48

4.5 Python实战——某地降雨的关系处理 49

4.5.1 不同年份的相同月份统计 49

4.5.2 不同月份之间的增减程度比较 51

4.5.3 每月降雨不相关吗 52

4.6 本章小结 53

第5章 OpenCV的基础使用 54

5.1 OpenCV基本的图片读取 54

5.1.1 基本的图片存储格式 54

5.1.2 图像的读取与存储 56

5.1.3 图像的转换 56

5.1.4 使用NumPy模块对图像进行编辑 58

5.2 OpenCV的卷积核处理 59

5.2.1 计算机视觉的三种不同色彩空间 59

5.2.2 卷积核与图像特征提取 60

5.. 卷积核进阶 62

5.3 本章小结 63

第6章 OpenCV与TensorFlow的融合 64

6.1 图片的自由缩放以及边缘裁剪 64

6.1.1 图像的扩缩裁挖 64

6.1.2 图像色调的调整 65

6.1.3 图像的旋转、平移和翻转 67

6.2 使用OpenCV扩大图像数据库 68

6.2.1 图像的随机裁剪 68

6.2.2 图像的随机旋转变换 69

6.. 图像色彩的随机变换 70

6.2.4 对鼠标的监控 70

6.3 本章小结 71

第7章 Let’s play TensorFlow 72

7.1 TensorFlow游乐场 72

7.1.1 I want to play a game 72

7.1.2 TensorFlow游乐场背后的故事 75

7.1.3 如何训练神经网络 76

7.2 Hello TensorFlow 77

7.2.1 TensorFlow名称的解释 77

7.2.2 TensorFlow基本概念 78

7.3 本章小结 80

第8章 Hello TensorFlow，从0到1 81

8.1 TensorFlow的安装 81

8.2.1 检测Anaconda中的TensorFlow版本 81

8.2.2 TensorFlow 2.0 GPU版本基础显卡和前置软件安装 82

8.. 个Hello TensorFlow小程序 84

8.2 TensorFlow常量、变量和数据类型 86

8.3 TensorFlow矩阵计算 88

8.4 Hello TensorFlow 89

8.5 本章小结 92

第9章 TensorFlow重要算法基础 93

9.1 BP神经网络简介 93

9.2 BP神经网络两个基础算法详解 95

9.2.1 二乘法（LS算法）详解 95

9.2.2 下山的故事——梯度下降算法 98

9.3 反馈神经网络反向传播算法介绍 101

9.3.1 深度学习基础 101

9.3.2 链式求导法则 102

9.3.3 反馈神经网络原理与公式推导 103

9.3.4 反馈神经网络原理的激活函数 108

9.3.5 反馈神经网络原理的Python实现 109

9.4 本章小结 115

0章 Hello TensorFlow & Keras 116

10.1 MODEL！MODEL！还是MODEL 116

10.2 使用Keras API实现鸢尾花分类的例子（顺序模式） 117

10.2.1 数据的准备 118

10.2.2 数据的处理 118

10.. 梯度更新函数的写法 119

10.3 使用Keras函数式编程实现鸢尾花分类的例子（重点） 120

10.4 使用保存的Keras模式对模型进行复用 1

10.5 使用TensorFlow 2.0标准化编译对Iris模型进行拟合 124

10.6 多输入单输出TensorFlow 2.0编译方法（选学） 128

10.7 多输入多输出TensorFlow 2.0编译方法（选学） 132

10.8 全连接层详解 133

10.8.1 全连接层的定义与实现 133

10.8.2 使用TensorFlow 2.0自带的API实现全连接层 135

10.8.3 打印显示TensorFlow 2.0设计的Model结构和参数 138

10.9 本章小结 140

1章 卷积层详解与MNIST实战 141

11.1 卷积运算基本概念 141

11.1.1 卷积运算 142

11.1.2 TensorFlow 2.0中卷积函数实现详解 143

11.1.3 池化运算 145

11.1.4 softmax激活函数 146

11.1.5 卷积神经网络原理 147

11.2 TensorFlow 2.0编程实战：MNIST手写体识别 150

11.2.1 MNIST数据集 150

11.2.2 MNIST数据集特征和标签介绍 151

11.. TensorFlow 2.0编程实战MNIST数据集 153

11.2.4 使用自定义的卷积层实现MNIST识别 157

11.3 本章小结 161

2章 卷积神经网络公式推导与应用 162

12.1 反馈神经网络算法 162

12.1.1 经典反馈神经网络正向与反向传播公式推导 162

12.1.2 卷积神经网络正向与反向传播公式推导 165

12.2 使用卷积神经网络分辨CIFAR-10数据集 171

12.2.1 CIFAR-10数据集下载与介绍 172

12.2.2 CIFAR-10模型的构建与数据处理 174

12.. CIFAR-10模型的细节描述与参数重构 181

1. 本章小结 183

3章 TensorFlow Datasets和TensorBoard详解 184

13.1 TensorFlow Datasets简介 184

13.2 Datasets 数据集的基本使用 186

13.3 Datasets 数据集的使用——Fashion-MNIST 188

13.3.1 Fashion-MNIST数据集下载与展示 189

13.3.2 模型的建立与训练 191

13.4 使用Keras对Fashion-MNIST数据集进行处理 193

13.5 使用TensorBoard可视化训练过程 199

13.5.1 TensorBoard文件夹的设置 199

13.5.2 TensorBoard的显式调用 200

13.5.3 TensorBoard的使用 202

13.6 本章小结 206

4章 从优选开始：ResNet 207

14.1 ResNet基础原理与程序设计基础 207

14.1.1 ResNet诞生的背景 208

14.1.2 模块工具的TensorFlow实现——不要重复造轮子 211

14.1.3 TensorFlow不错模块layers用法简介 211

14.2 ResNet实战CIFAR-100数据集分类 219

14.2.1 CIFAR-100数据集简介 219

14.2.2 ResNet残差模块的实现 222

14.. ResNet网络的实现 224

14.2.4 使用ResNet对CIFAR-100进行分类 227

14.3 ResNet的兄弟——ResNeXt 228

14.3.1 ResNeXt诞生的背景 229

14.3.2 ResNeXt残差模块的实现 0

14.3.3 ResNeXt网络的实现 1

14.3.4 ResNeXt和ResNet的比较

14.4 本章小结 4

5章 Attention is all we need 5

15.1 简单的理解注意力机制 5

15.1.1 何为注意力 5

15.1.2 hard or soft——注意力机制的两种常见形式

15.1.3 Spatial and Channel——注意力机制的两种实现形式

15.2 SENet or CBAM注意力机制的经典模型 240

15.2.1 的优选——SENet 240

15.2.2 结合了Spatial and Channel的CBAM模型 243

15.. 注意力的前沿研究——基于细粒度的图像注意力机制 248

15.3 本章小结 249

6章 开始找工作吧——深度学习常用面试问题答疑 250

16.1 深度学习面试常用问题答疑 250

16.1.1 如何降低过拟合（Overfitting） 251

16.1.2 全连接层详解 254

16.1.3 激活函数起作用的原因 255

16.1.4 卷积后的图像大小 255

16.1.5 池化层的作用 255

16.1.6 为什么在分类时使用softmax而不是传统的SVM 256

16.2 卷积神经网络调优面试问答汇总 256

16.2.1 数据集的注意事项 256

16.2.2 卷积模型训练的注意事项 256

16.3 NIN模型介绍 25716.3.1 NIN（Network In Network）模型简介 257

16.3.2 猫狗大战——NIN的代码实现 258

16.4 deeper is better——GoogLeNet模型介绍 260

16.4.1 GoogLeNet模型的介绍 261

16.4.2 GoogLeNet模型单元的TensorFlow实现 263

16.4.3 GoogLeNet模型一些注意事项 266

16.5 本章小结 267

7章 不服就是GAN——对抗生成网络 268

17.1 一个悲惨的故事 268

17.2 GAN基本原理简介 269

17.3 GAN实战——手写体数字的生成 272

17.3.1 MNIST数据集和GAN模型实现 272

17.3.2 训练参数的定义和实现 275

17.4 本章小结 278

8章 未来的趋势——图卷积神经网络初步 279

18.1 图卷积神经网络的诞生背景 279

18.1.1 图卷积基本原理介绍 279

18.1.2 图卷积基本原理和公式介绍 281

18.1.3 图卷积需要的基本概念 282

18.2 实战图卷积神经网络 283

18.2.1 cora数据集简介 283

18.2.2 图卷积模型的建立 286

18.3 本章小结 288

王晓华，计算机专业讲师，长期讲授面向对象程序设计、数据结构、Hadoop程序设计等和生相关课程；主要研究方向为云计算、数据挖掘。曾主持和参与多项和省科研课题，独立科研项目获省级成果认定，发表过多篇，拥有一项。著有《Spark MLlib机器学习实践》《TensorFlow深度学习应用实践》《OpenCV+TensorFlow深度学习与计算机视觉实战》《TensorFlow 2.0卷积神经网络实战》等图书。

"TensorFlow 2.0破天荒地抛弃了原有的架构，重新开始，整合了曾经为TensorFlow添加的多种组件，在2.0版本中，这些组件被打包成一个综合平台，可支持机器学习的工作流程（从训练到部署），即用一个新的架构从根本上代替了已有的架构。
可以看到新架构中的训练部分主要关注Python API，即训练的可用、整洁以及易用。它通过使用“存档”的方式连接起训练与部署之间的桥梁。
模型的部署方式是多种多样，可以方便地使用多种端支持，使其能够运营在不同的平台上。而语言绑定（language binding）也有不同程度的支持，包括Swift、R和Julia等。
"