深度学习全书——公式+推导+代码+TensorFlow全程案例9787302610304

陈昭明，成功大学统计系学士、清华大学工业工程研究所硕士。曾任职于IBM、工研院电通所、软件开发公司、ERP顾问公司、电信公司、财经数据库公司，目前担任Python、机器学习、深度学习、AIoT讲师。获2018年IT邦帮忙铁人赛 AI 组冠军、2021年IT邦帮忙铁人赛 AI 组优选。

洪锦魁，中国台湾计算机专家，著名程序员与IT作家。横跨DOS时代、Windows时代、Internet时代、大数据时代，纵观IT兴衰而笔耕不辍。台湾天龙书局IT图书常年霸榜专业户。其作品版权包括：中国台湾（繁体中文）、中国大陆（简体中文）、马来西亚（马来文）、美国（英文）。写作特色：所有程序语法依特性分类，同时以实用的程序范例进行解说，程序确保跑通，让读者可以事半功倍地轻松掌握相关知识。

目 录

 第一篇 深度学习导论

第 1 章   深度学习导论 2

1-1 人工智能的三波浪潮 2

1-2 AI 的学习地图 4

1-3 机器学习应用领域 5

1-4 机器学习开发流程 6

1-5 开发环境安装 7

第 2 章   神经网络原理 12

2-1 必备的数学与统计知识 12

2-2 线性代数 14

2-3 微积分 24

2-3-5    积分 37

2-4 概率与统计 41

2-4-1 数据类型 ……………… 42

2-4-2 抽样 …………………… 43

2-4-3 基础统计 ……………… 46

2-4-4 概率 …………………… 53

2-4-5 概率分布 ……………… 59

2-4-6 假设检定 ……………… 69

2-5 线性规划 78

估计法 81

2-6-1 普通最小二乘法 81

2-7 神经网络求解 88

2-3-1 微分 …………………… 24

2-3-2 微分定理 ……………… 29

2-3-3 偏微分 ………………… 32

2-3-4 简单线性回归求解 …… 36

深度学习全书——公式 + 推导 + 代码 +TensorFlow 全程案例

 第二篇 TensorFlow 基础篇

第 3 章 TensorFlow 架 构 与

主要功能 98

3-1 常用的深度学习框架 98

3-2 TensorFlow 架构 99

3-3 张量运算 100

3-4 自动微分 105

3-5 神经网络层 109

第 4 章   神经网络实践 114

4-1 撰写第一个神经网络程序 114

4-1-1 最简短的程序 114

4-1-2 程序强化 115

4-1-3    实验 124

4-2 Keras 模型种类 129

4-2-1 Sequential model 129

4-2-2 Functional API 133

4-3  神 经层 135

4-3-1 完全连接神经层 135

4-3-2 Dropout Layer 137

4-4 激活函数 137

4-5 损失函数 142

4-6  优 化器 144

4-7 效果衡量指标 148

4-8 超参数调校 152

第 5 章 TensorFlow 其他常用

指令 156

5-1 特征转换 156

5-2 模型存盘与加载 157

5-3 模型汇总与结构图 159

5-4 回调函数 161

5-4-1 EarlyStopping

Callbacks 162

5-4-2 ModelCheckpoint

Callbacks 163

5-4-3 TensorBoard Callbacks … 164

5-4-4 自定义 Callback 165

5-4-5 自定义 Callback 应用 … 168

5-4-6    总结 169

5-5 TensorBoard 169

5-5-1    TensorBoard 功能 169

5-5-2    测试 171

5-5-3    写入图片 172

5-5-4  直 方图 173

5-5-5 效果调校 174

5-5-6 敏感度分析 175

5-5-7    总结 176

5-6 模型部署与 TensorFlow

Serving 176

5-6-1 自行开发网页程序 176

5-6-2 TensorFlow Serving 178

5-7 TensorFlow Dataset 180

5-7-1 产生 Dataset 180

5-7-2 图像 Dataset 184

5-7-3 TFRecord 与 Dataset … 186

5-7-4 TextLineDataset 189

5-7-5 Dataset 效果提升 191

第 6 章   卷积神经网络 193

6-1    卷积神经网络简介 193

IV

目 录

6-2    卷积 194

6-3    各式卷积 197

6-4  池 化层 201

6-5 CNN 模型实践 202

6-6 影像数据增补 206

6-7 可解释的 AI 211

第 7 章   预先训练的模型   ………219

7-1 预先训练的模型简介 219

7-2 采用完整的模型 221

7-3 采用部分模型 225

7-4 转移学习 229

7-5 Batch Normalization 说明 233

 第三篇 进阶的影像应用

第 8 章   目标检测 238

8-1 图像辨识模型的发展 238

8-2 滑动窗口 239

8-3 方向梯度直方图 242

8-4 R-CNN 目标检测 252

8-5 R-CNN 改良 263

8-6 YOLO 算法简介 266

8-7 YOLO 环境配置 269

8-8 以 TensorFlow 实践 YOLO

模型…