Python深度学习 基于TensorFlow 第2版

（1）作者经验丰富：核心作者在大数据和人工智能领域有着超过20年的工作经验，实战经验非常丰富，其他几位作者也在大数据和人工智能领域颇有造诣。 （2）畅销书全面升级：第1版销量和口碑俱佳，是深度学习领域的畅销书，第2版根据TensorFlow新版本升级，技术性、实战性、针对性、易读性进一步提升。 （3）TensorFlow领域事实标准：因为内容扎实、可读性强，第1版被读者誉为TensorFlow领域的标准著作，是读者的shou选。 （4）深度学习双子星：本书是《Python深度学习：基于PyTorch（第2版）》的姊妹篇，这两本书均是深度学习领域的畅销书。 （5）进行谋划、通俗易懂：本书在内容的选择、安排和表现形式上精心谋划，目的是确保高质量内容的同时，让深度学习的学习门槛大大降低。

《Python深度学习:基于TensorFlow》由吴茂贵等著

吴茂贵，资深大数据和人工智能技术专家，就职于中国外汇交易中心，在BI、数据挖掘与分析、数据仓库、机器学习等领域工作超过20年。在基于Spark、TensorFlow、PyTorch、Keras等的机器学习和深度学习方面有大量的工程实践经验。著有《Python深度学习：基于TensorFlow》《深度实践Spark机器学习》《自己动手做大数据系统》等。

第2版前言
第1版前言
第一部分TensorFlow基础
第1章NumPy基础2
1.1把图像数字化3
1.1.1数组属性4
1.1.2从已有数据中生成数组4
1.1.3利用random模块生成数组5
1.1.4利用arange、linspace函数生成数组7
1.2存取元素8
1.3NumPy的算术运算9
1.3.1对应元素相乘10
1.3.2点积运算11
1.4数据变形12
1.4.1更改数组的形状12
1.4.2合并数组15
1.5通用函数18
1.6广播机制20
1.7用NumPy实现回归实例21
1.8小结24
第2章TensorFlow基础知识25
2.1安装配置25
2.1.1安装Anaconda26
2.1.2安装TensorFlowCPU版26
2.1.3安装TensorFlowGPU版27
2.2层次架构29
2.3张量30
2.3.1张量的基本属性30
2.3.2张量切片31
2.3.3操作形状32
2.4变量33
2.5NumPy与tf.Tensor比较35
2.6计算图36
2.6.1静态计算图36
2.6.2动态计算图37
2.7自动图38
2.8自动微分39
2.9损失函数42
2.10优化器43
2.11使用TensorFlow2.0实现回归实例43
2.12GPU加速48
2.13小结50
第3章TensorFlow构建模型的方法51
3.1利用低阶API构建模型51
3.1.1项目背景51
3.1.2导入数据52
3.1.3预处理数据53
3.1.4构建模型55
3.1.5训练模型56
3.1.6测试模型57
3.1.7保存恢复模型57
3.2利用中阶API构建模型58
3.2.1构建模型58
3.2.2创建损失评估函数59
3.2.3训练模型59
3.3利用高阶API构建模型61
3.3.1构建模型61
3.3.2编译及训练模型63
3.3.3测试模型64
3.3.4保存恢复模型64
3.4小结65
第4章TensorFlow数据处理66
4.1tf.data简介66
4.2构建数据集的常用方法67
4.2.1从内存中读取数据68
4.2.2从文本中读取数据68
4.2.3读取TFRecord格式文件70
4.3如何生成自己的TFRecord格式数据70
4.3.1把数据转换为TFRecord格式的一般步骤70
4.3.2加载TFRecord文件流程72
4.3.3代码实现72
4.4数据增强方法75
4.4.1常用的数据增强方法75
4.4.2创建数据处理流水线77
4.5小结78
第5章可视化79
5.1matplotlib79
5.1.1matplotlib的基本概念79
5.1.2使用matplotlib绘制图表81
5.1.3使用rcParams83
5.2pyecharts85
5.2.1pyecharts的安装85
5.2.2使用pyecharts绘制图表86
5.3TensorBoard89
5.4小结92
第二部分深度学习基础
第6章机器学习基础94
6.1机器学习的一般流程94
6.1.1明确目标94
6.1.2收集数据95
6.1.3数据探索与预处理95
6.1.4模型选择96
6.1.5模型评估96
6.2监督学习98
6.2.1线性回归98
6.2.2逻辑回归100
6.2.3树回归102
6.2.4支持向量机102
6.2.5朴素贝叶斯分类器105
6.2.6集成学习107
6.3无监督学习110
6.3.1主成分分析110
6.3.2k均值算法110
6.4数据预处理111
6.4.1处理缺失值111
6.4.2处理分类数据112
6.5机器学习实例113
6.6小结119
第7章神经网络基础120
7.1单层神经网络121
7.2多层神经网络122
7.2.1多层神经网络的结构122
7.2.2各层之间的信息传输123
7.2.3使用多层神经网络解决XOR问题123
7.2.4使用TensorFlow解决XOR问题125
7.3激活函数126
7.3.1sigmoid函数127
7.3.2softmax函数127
7.3.3tanh函数128
7.3.4ReLU函数129
7.3.5Leaky-ReLU函数129
7.3.6softplus函数130
7.3.7Dropout函数130
7.4正向和反向传播算法130
7.4.1单个神经元的BP算法131
7.4.2多层神经网络的BP算法132
7.5解决过拟合问题135
7.5.1权重正则化135
7.5.2Dropout正则化136
7.5.3批量正则化138
7.5.4权重初始化139
7.5.5残差网络140
7.6选择优化算法141
7.6.1传统梯度更新算法141
7.6.2动量算法142
7.6.3NAG算法144
7.6.4AdaGrad算法145
7.6.5RMSProp算法146
7.6.6Adam算法146
7.6.7如何选择优化算法147
7.7使用tf.keras构建神经网络148
7.7.1tf.keras概述148
7.7.2tf.keras的常用模块148
7.7.3构建模型的几种方法149
7.7.4使用SequentialAPI构建神经网络实例150
7.7.5使用FunctionalAPI构建神经网络实例156
7.7.6使用SubclassingAPI构建神经网络实例157
7.8小结158
第8章视觉处理基础159
8.1从全连接层到卷积层159
8.1.1图像的两个特性160
8.1.2卷积神经网络概述161
8.2卷积层162
8.2.1卷积核163
8.2.2步幅165
8.2.3填充166
8.2.4多通道上的卷积166
8.2.5激活函数168
8.2.6卷积函数168
8.2.7转置卷积169
8.2.8特征图与感受野171
8.2.9全卷积网络171
8.3池化层172
8.3.1局部池化173
8.3.2全局池化174
8.4现代经典网络175
……