TensorFlow程序设计

封面

版权信息

作者简介

内容简介

编写组

总序

前言

第1章 TensorFlow简介

1.1 人工智能的编程框架

1.1.1 人工智能的发展

1.1.2 人工智能、机器学习和深度学习之间的关系

1.2 TensorFlow 与人工智能

1.3 TensorFlow 数据模型

1.4 TensorFlow 计算模型和运行模型

1.5 实验：矩阵运算

1.5.1 实验目的

1.5.2 实验要求

1.5.3 实验原理

1.5.4 实验步骤

习题

第2章 Python语言基础

2.1 Python语言

2.1.1 Python语言的发展

2.1.2 Python安装

2.2 基础语法

2.2.1 基础知识

2.2.2 基本程序编写

2.2.3 条件语句

2.2.4 循环语句

2.3 数据结构

2.4 面向对象特性

2.4.1 类和对象

2.4.2 类的定义

2.4.3 根据类创建对象

2.4.4 构造方法与析构方法

2.5 其他高级特性

2.5.1 函数高级特性

2.5.2 闭包

2.6 实验：Python基本语法的实现

2.6.1 实验目的

2.6.2 实验要求

2.6.3 实验题目

2.6.4 实验步骤

习题

第3章 环境搭建与入门

3.1 开发平台简介

3.2 开发环境部署

3.2.1 安装Anaconda

3.2.2 安装TensorFlow

3.2.3 PyCharm下载与安装

3.3 一个简单的实例

习题

第4章 TensorBoard可视化

4.1 什么是TensorBoard

4.2 基本流程与结构

4.3 图表的可视化

4.3.1 计算图和会话

4.3.2 可视化过程

4.4 监控指标的可视化

4.4.1 Scalar

4.4.2 Images

4.4.3 Histogram

4.4.4 Merge_all

4.5 学习过程的可视化

4.5.1 数据序列化

4.5.2 启动TensorBoard

4.6 实验：TensorBoard可视化实现

4.6.1 实验目的

4.6.2 实验要求

4.6.3 实验原理

4.6.4 实验步骤

习题

第5章 多层感知机实现

5.1 感知机

5.1.1 感知机的定义

5.1.2 感知机的神经元模型

5.1.3 感知机的学习算法

5.1.4 感知机的性质

5.2 多层感知机与前向传播

5.2.1 多层感知机基本结构

5.2.2 多层感知机的特点

5.3 前向传播

5.3.1 前向传播的计算过程

5.3.2 前向传播算法

5.4 梯度下降

5.4.1 梯度

5.4.2 梯度下降的直观解释

5.4.3 梯度下降法的相关概念

5.4.4 梯度下降法的数学描述

5.4.5 梯度下降法的算法调优

5.4.6 常见的梯度下降法

5.5 反向传播

5.5.1 反向传播算法要解决的问题

5.5.2 反向传播算法的基本思路

5.5.3 反向传播算法的流程

5.6 数据集

5.6.1 训练集、测试集和验证集

5.6.2 MNIST数据集

5.7 多层感知机的实现

5.7.1 NumPy多层感知机的实现