TensorFlow深度学习应用开发实战

随着人工智能技术的发 展，深度学习成为 受关注 的领域之一。在深度学习的 诸多开发框架中， TensorFlow是 受欢迎的开 发框架。 本书以培养人工智能编 程思维和技能为核心，以工 作过程为导向，采用任务驱 动的方式组织内容。全书共 分为8个任务，任务1介绍深 度学习的发展历程、应用领 域以及开发环境的搭建过程 ；任务2介绍TensorFlow框 架的基本原理、计算图、会 话、张量等概念；任务3和 任务4阐述全连接神经网络 模型、神经网络优化方法及 反向传播算法；任务5和任 务6讨论卷积神经网络、卷 积、池化的原理；任务7和 任务8演示网络模型可视化 操作步骤及制作与解析数据 集的方法。 本书既可作为大数据、 人工智能等相关专业应用型 人才的教学用书，也可以作 为TensorFlow初学者的学习 参考书。

谷瑞，副教授、苏州工业园区服务外包职业学院大数据技术与应用专业主任，苏州大学高级访问学者，英伟达计算机视觉与自然语言处理认证讲师，以第一作者发表SCI、EI检索论文5篇、主持省十三五教育科学规划课题1项、参与企业横向项目20余项，具有丰富的项目实战经验。

任务1 深度学习简介与开发环境搭建 1.1 深度学习的发展及应用 1.1.1 深度学习的发展历程 1.1.2 深度学习的应用领域 1.2 深度学习框架简介 1.2.1 TensorFlow 1.2.2 Caffe 1.2.3 PyTorch 1.2.4 MXNet 1.2.5 不同框架的对比 1.3 开发环境搭建 1.3.1 Windows环境下的安装配置 1.3.2 Linux环境下的安装配置 1.4 本章小结 1.5 本章习题 任务2 构建二维数据拟合模型 2.1 TensorFlow运行机制 2.1.1 TensorFlow系统架构 2.1.2 构建计算图 2.1.3 在会话中运行计算图 2.1.4 指定GPU设备 2.2 TensorFlow数据模型 2.2.1 张量及属性 2.2.2 类型转换 2.2.3 形状变换 2.3 变量的定义与使用 2.3.1 变量的定义与初始化 2.3.2 随机初始化变量 2.3.3 获取变量 2.3.4 共享变量 2.4 占位符与数据喂入机制 2.4.1 占位符定义 2.4.2 数据喂入 2.5 模型的保存与恢复 2.5.1 模型保存 2.5.2 模型恢复 2.6 构建二维数据拟合模型 2.6.1 准备数据 2.6.2 搭建模型 2.6.3 反向传播 2.6.4 迭代训练 2.6.5 使用模型 2.7 本章小结 2.8 本章习题 任务3 构建泰坦尼克号生还率模型 3.1 M-P神经元拟合原理 3.1.1 M-P神经元模型 3.1.2 训练神经元 3.2 激活函数实现神经元非线化 3.2.1 激活函数的作用