Python深度学习：基于TensorFlow

图书标准信息

• 作者 吴茂贵、王冬、李涛、杨本法 著
• 出版社 机械工业出版社
• 出版时间 2018-10
• 版次 1
• ISBN 9787111609728
• 定价 79.00元
• 装帧 平装
• 开本 16开
• 纸张 胶版纸
• 页数 329页

【内容简介】

本书共22章，分为三个部分。部分（第1~5章）为Python及应用数学基础部分，介绍Python和TensorFlow的基石Numpy，深度学习框架的鼻祖Theano，以及机器学习、深度学习算法应用数学基础等内容。第二部分（第6~20章）为深度学习理论与应用部分，介绍机器学习的经典理论和算法，深度学习理论及方法，TensorFlow基于CPU、GPU版本的安装及使用、TensorFlow基础、TensorFlow的一些新API，深度学习中神经网络方面的模型及TensorFlow实战案例，TensorFlow的高级封装，TensorFlow综合实战案例等内容。第三部分（第21~22章）为扩展部分，介绍强化学习、生成式对抗网络等内容。

【作者简介】

　　吴茂贵，
　　BI和大数据专家，就职于中国外汇交易中心，在BI、数据挖掘与分析、数据仓库、机器学习等领域有超过20年的工作经验，在Spark机器学习、TensorFlow深度学习领域大量的实践经验。
　　王冬，
　　任职于博世（中国）投资有限公司，负责Bosch企业BI及工业4.0相关大数据和数据挖掘项目。对机器学习、人工智能有多年实践经验。
　　李涛，
　　参与过多个人工智能项目，如研究开发服务机器人、无人售后店等项目。熟悉python、caffe、TensorFlow等，对深度学习、尤其对计算机视觉方面有较深理解。
　　杨本法，
　　高级算法工程师，在机器学习、文本挖掘、可视化等领域有多年实践经验。熟悉Hadoop、Spark生态圈的相关技术，对Python有丰富的实战经验。

【目录】

前言 
第一部分　Python及应用数学基础 
第1章　NumPy常用操作 2 
1.1　生成ndarray的几种方式 3 
1.2　存取元素 5 
1.3　矩阵操作 6 
1.4　数据合并与展平 7 
1.5　通用函数 9 
1.6　广播机制 11 
1.7　小结 12 
第2章　Theano基础 13 
2.1　安装 14 
2.2　符号变量 15 
2.3　符号计算图模型 17 
2.4　函数 18 
2.5　条件与循环 21 
2.6　共享变量 23 
2.7　小结 24 
第3章　线性代数 25 
3.1　标量、向量、矩阵和张量 25 
3.2　矩阵和向量运算 28 
3.3　特殊矩阵与向量 29 
3.4　线性相关性及向量空间 31 
3.5　范数 32 
3.6　特征值分解 33 
3.7　奇异值分解 34 
3.8　迹运算 35 
3.9　实例：用Python实现主成分分析 36 
3.10　小结 39 
第4章　概率与信息论 40 
4.1　为何要学概率、信息论 40 
4.2　样本空间与随机变量 41 
4.3　概率分布 42 
4.3.1　离散型随机变量 42 
4.3.2　连续型随机变量 45 
4.4　边缘概率 47 
4.5　条件概率 47 
4.6　条件概率的链式法则 48 
4.7　独立性及条件独立性 48 
4.8　期望、方差及协方差 49 
4.9　贝叶斯定理 52 
4.10　信息论 53 
4.11　小结 56 
第5章　概率图模型 57 
5.1　为何要引入概率图 57 
5.2　使用图描述模型结构 58 
5.3　贝叶斯网络 59 
5.3.1　隐马尔可夫模型简介 60 
5.3.2　隐马尔可夫模型三要素 60 
5.3.3　隐马尔可夫模型三个基本问题 61 
5.3.4　隐马尔可夫模型简单实例 62 
5.4　马尔可夫网络 64 
5.4.1　马尔可夫随机场 64 
5.4.2　条件随机场 65 
5.4.3　实例：用Tensorflow实现条件随机场 66 
5.5　小结 70 
第二部分　深度学习理论与应用 
第6章　机器学习基础 72 
6.1　监督学习 72 
6.1.1　线性模型 73 
6.1.2　SVM 77 
6.1.3　贝叶斯分类器 79 
6.1.4　集成学习 81 
6.2　无监督学习 84 
6.2.1　主成分分析 84 
6.2.2　k-means聚类 84 
6.3　梯度下降与优化 85 
6.3.1　梯度下降简介 86 
6.3.2　梯度下降与数据集大小 87 
6.3.3　传统梯度优化的不足 89 
6.3.4　动量算法 90 
6.3.5　自适应算法 92 
6.3.6　有约束最优化 95 
6.4　前馈神经网络 96 
6.4.1　神经元结构 97 
6.4.2　感知机的局限 98 
6.4.3　多层神经网络 99 
6.4.4　实例：用TensorFlow实现XOR 101 
6.4.5　反向传播算法 103 
6.5　实例：用Keras构建深度学习架构 109 
6.6　小结 109 
第7章　深度学习挑战与策略 110 
7.1　正则化 110 
7.1.1　正则化参数 111 
7.1.2　增加数据量 115 
7.1.3　梯度裁剪 116 
7.1.4　提前终止 116 
7.1.5　共享参数 117 
7.1.6　Dropout 117 
7.2　预处理 119 
7.2.1　初始化 120 
7.2.2　归一化 120 
7.3　批量化 121 
7.3.1　随机梯度下降法 121 
7.3.2　批标准化 122 
7.4　并行化 124 
7.4.1　TensorFlow利用GPU加速 124 
7.4.2　深度学习并行模式 125 
7.5　选择合适的激活函数 127 
7.6　选择合适代价函数 128 
7.7　选择合适的优化算法 129 
7.8　小结 130 
第8章　安装TensorFlow 131 
8.1　TensorFlow CPU版的安装 131 
8.2　TensorFlow GPU版的安装 132 
8.3　配置Jupyter Notebook 136 
8.4　实例：CPU与GPU性能比较 137 
8.5　实例：单GPU与多GPU性能比较 138 
8.6　小结 140 
第9章　TensorFlow基础 141 
9.1　TensorFlow系统架构 141 
9.2　数据流图 143 
9.3　TensorFlow基本概念 144 
9.3.1　张量 144 
9.3.2　算子 145 
9.3.3　计算图 146 
9.3.4　会话 146 
9.3.5　常量 148 
9.3.6　变量 149 
9.3.7　占位符 153 
9.3.8　实例：比较constant、variable和placeholder 154 
9.4　TensorFlow实现数据流图 156 
9.5　可视化数据流图 156 
9.6　TensorFlow分布式 158 
9.7　小结 160 
第10章　TensorFlow图像处理 162 
10.1　加载图像 162 
10.2　图像格式 163 
10.3　把图像转换为TFRecord文件 164 
10.4　读取TFRecord文件 165 
10.5　图像处理实例 166 
10.6　全新的数据读取方式—Dataset API 170 
10.6.1　Dataset API 架构 170 
10.6.2　构建Dataset 171 
10.6.3　创建迭代器 174 
10.6.4　从迭代器中获取数据 174 
10.6.5　读入输入数据 175 
10.6.6　预处理数据 175 
10.6.7　批处理数据集元素 176 
10.6.8　使用高级API 176 
10.7　小结 177 
第11章　TensorFlow神经元函数 178 
11.1　激活函数 178 
11.1.1　sigmoid函数 179 
11.1.2　tanh函数 179 
11.1.3　relu函数 180 
11.1.4　softplus函数 181 
11.1.5　dropout函数 181 
11.2　代价函数 181 
11.2.1　sigmoid_cross_entropy_with_logits函数 182 
11.2.2　softmax_cross_entropy_with_logits函数 183 
11.2.3　sparse_softmax_cross_entropy_with_logits函数 184 
11.2.4　weighted_cross_entropy_with_logits函数 184 
11.3　小结 185 
第12章　TensorFlow自编码器 186 
12.1　自编码简介 186 
12.2　降噪自编码 188 
12.3　实例：TensorFlow实现自编码 188 
12.4　实例：用自编码预测信用卡欺诈 191 
12.5　小结 197 
第13章　TensorFlow实现Word2Vec 198 
13.1　词向量及其表达 198 
13.2　Word2Vec原理 199 
13.2.1　CBOW模型 200 
13.2.2　Skim-gram模型 200 
13.3　实例：TensorFlow实现Word2Vec 201 
13.4　小结 206 
第14章　TensorFlow卷积神经网络 207 
14.1　卷积神经网络简介 207 
14.2　卷积层 208 
14.2.1　卷积核 209 
14.2.2　步幅 211 
14.2.3　填充 212 
14.2.4　多通道上的卷积 213 
14.2.5　激活函数 214 
14.2.6　卷积函数 215 
14.3　池化层 216 
14.4　归一化层 217 
14.5　TensorFlow实现简单卷积神经网络 218 
14.6　TensorFlow实现进阶卷积神经网络 219 
14.7　几种经典卷积神经网络 223 
14.8　小结 224 
第15章　TensorFlow循环神经网络 226 
15.1　循环神经网络简介 226 
15.2　前向传播与随时间反向传播 228 
15.3　梯度消失或爆炸 231 
15.4　LSTM算法 232 
15.5　RNN其他变种 235 
15.6　RNN应用场景 236 
15.7　实例：用LSTM实现分类 237 
15.8　小结 241 
第16章　TensorFlow高层封装 242 
16.1　TensorFlow高层封装简介 242 
16.2　Estimator简介 243 
16.3　实例：使用Estimator预定义模型 245 
16.4　实例：使用Estimator自定义模型 247 
16.5　Keras简介 252 
16.6　实例：Keras实现序列式模型 253 
16.7　TFLearn简介 255 
16.7.1　利用TFLearn解决线性回归问题 256 
16.7.2　利用TFLearn进行深度学习 256 
16.8　小结 257 
第17章　情感分析 258 
17.1　深度学习与自然语言处理 258 
17.2　词向量简介 259 
17.3　循环神经网络 260 
17.4　迁移学习简介 261 
17.5　实例：TensorFlow实现情感分析 262 
17.5.1　导入数据 262 
17.5.2　定义辅助函数 267 
17.5.3　构建RNN模型 267 
17.5.4　调优超参数 269 
17.5.5　训练模型 270 
17.6　小结 272 
第18章　利用TensorFlow预测乳腺癌 273 
18.1　数据说明 273 
18.2　数据预处理 274 
18.3　探索数据 276 
18.4　构建神经网络 279 
18.5　训练并评估模型 281 
18.6　小结 283 
第19章　聊天机器人 284 
19.1　聊天机器人原理 284 
19.2　带注意力的框架 286 
19.3　用TensorFlow实现聊天机器人 289 
19.3.1　接口参数说明 290 
19.3.2　训练模型 293 
19.4　小结 302 
第20章　人脸识别 303 
20.1　人脸识别简介 303 
20.2　项目概况 306 
20.3　实施步骤 307 
20.3.1　数据准备 307 
20.3.2　预处理数据 307 
20.3.3　训练模型 309 
20.3.4　测试模型 313 
20.4　小结 316 
第三部分　扩展篇 
第21章　强化学习基础 318 
21.1　强化学习简介 318 
21.2　强化学习常用算法 320 
21.2.1　Q-Learning算法 320 
21.2.2　Sarsa算法 322 
21.2.3　DQN算法 322 
21.3　小结 324 
第22章　生成式对抗网络 325 
22.1　GAN简介 325 
22.2　GAN的改进版本 327 
22.3　小结 329