TensorFlow神经网络到深度学习

封面

版权信息

内容简介

前言

第1章 走进TensorFlow

1.1 TensorFlow介绍

1.2 TensorFlow的环境搭建

1.3 TensorFlow基本使用

1.4 变量

1.5 TensorFlow的队列

1.6 TensorBoard可视化

第2章 计算机视觉与深度学习

2.1 计算机视觉

2.2 深度学习在视觉上的应用

2.3 计算机视觉的学习方式和未来趋势

2.4 机器学习

第3章 深度神经网络的基础

3.1 生物神经元

3.2 人工神经元

3.3 激活函数

3.4 softmax处理分类问题

3.5 损失函数

3.6 梯度下降法

3.7 优化函数

3.8 拟合

第4章 全连接神经网络

4.1 前馈神经网络简介

4.2 感知机

4.3 全连接

4.4 线性模型的局限性

4.5 多层网络解决异域运算

4.6 全连接神经网络的经典实战

第5章 卷积神经网络

5.1 人类视觉原理

5.2 卷积运算

5.3 反卷积、反池化操作

5.4 卷积神经网络的介绍

5.5 图像数据处理

第6章 高级卷积神经网络

6.1 LeNet-5卷积神经网络

6.2 AlexNet卷积神经网络

6.3 VGGNet卷积神经网络

6.4 Inceptionv3卷积神经网络

6.5 ResNet卷积神经网络

第7章 循环神经网络

7.1 RNN基础概念和结构

7.2 RNN前后向传播算法

7.3 循环神经网络的梯度

7.4 LSTM单元

7.5 RNN的实现

7.6 自然语言建模与词向量

7.7 LSTM实现语音识别

第8章 对抗神经网络

8.1 理论知识

8.2 DCGAN网络

8.3 InfoGAN网络

8.4 WGAN-GP网络

8.5 SRGAN网络

第9章 其他监督学习

9.1 支持向量机

9.2 朴素贝叶斯

9.3 决策树

9.4 k近邻算法

第10章 非监督学习

10.1 主成分分析

10.2 k均值聚类

10.3 自组织映射神经网络

10.4 受限玻尔兹曼机

10.5 谱聚类

第11章 自动编码机

11.1 自动编码机原理

11.2 标准自动编码机

11.3 稀疏自动编码机

11.4 去噪自动编码机

11.5 卷积自动编码机

第12章 强化学习

12.1 强化学习的概述

12.2 强化学习的学习过程

12.3 OpenAl Gym原理及应用

12.4 Q learning原理及应用

12.5 DQN原理及应用