TensorFlow深度学习实例教程

前言 \n
二维码资源清单 \n
项目1 搭建TensorFlow开发环境1 \n
项目描述1 \n
思维导图1 \n
项目目标1 \n
1.1 人工智能、机器学习与深度学习2 \n
1.1.1 人工智能2 \n
1.1.2 机器学习2 \n
1.1.3 深度学习4 \n
1.2 深度学习简介5 \n
1.2.1 深度学习发展简史5 \n
1.2.2 深度学习的工作原理7 \n
1.2.3 深度学习的应用9 \n
1.3 任务1：认识深度学习框架13 \n
1.3.1 TensorFlow13 \n
1.3.2 Keras14 \n
1.3.3 PyTorch14 \n
1.3.4 Caffe15 \n
1.3.5 MXNet15 \n
1.3.6 PaddlePaddle16 \n
1.4 任务2：搭建深度学习开发环境17 \n
1.4.1 安装Anaconda17 \n
1.4.2 使用Conda管理环境20 \n
1.4.3 安装TensorFlow21 \n
1.4.4 常用编辑器22 \n
拓展项目24 \n
项目2 手写数字识别：TensorFlow初探26 \n
项目描述26 \n
思维导图26 \n
项目目标26 \n
2.1 TensorFlow架构27 \n
2.1.1 TensorFlow架构图27 \n
2.1.2 TensorFlow 1.x和2.0之间的差异28 \n
2.1.3 TensorFlow数据流图29 \n
2.1.4 TensorFlow运行机制31 \n
2.2 任务1：张量的基本操作32 \n
2.2.1 张量的阶、形状、数据类型32 \n
2.2.2 现实世界中的数据张量35 \n
2.2.3 MNIST数据集39 \n
2.2.4 索引与切片43 \n
2.2.5 维度变换47 \n
2.2.6 广播机制51 \n
2.3 任务2：张量的进阶操作54 \n
2.3.1 合并与分割54 \n
2.3.2 大值、小值、均值、和58 \n
2.3.3 张量比较60 \n
2.3.4 张量排序63 \n
2.3.5 张量中提取数值64 \n
拓展项目65 \n
项目3 房价预测：前馈神经网络67 \n
项目描述67 \n
思维导图67 \n
项目目标67 \n
3.1 任务1：实现一元线性回归模型68 \n
3.1.1 准备数据69 \n
3.1.2 构建模型69 \n
3.1.3 迭代训练70 \n
3.1.4 保存和读取模型71 \n
3.2 认识神经网络72 \n
3.2.1 神经元72 \n
3.2.2 激活函数74 \n
3.3 任务2：房价预测78 \n
3.3.1 准备数据集79 \n
3.3.2 构建模型81 \n
3.3.3 训练模型83 \n
3.4 前馈神经网络87 \n
3.4.1 前馈神经网络拓扑结构87 \n
3.4.2 损失函数89 \n
3.4.3 反向传播算法92 \n
3.4.4 梯度下降算法95 \n
拓展项目100 \n
项目4 服装图像识别：Keras搭建与训练模型102 \n
项目描述102 \n
思维导图102 \n
项目目标102 \n
4.1 认识tf.keras103 \n
4.1.1 Keras与tf.keras103 \n
4.1.2 层（Layer）104 \n
4.1.3 模型（Model）106 \n
4.2 任务1：服装图像识别108 \n
4.2.1 构建模型108 \n
4.2.2 训练模型111 \n
4.2.3 评估模型115 \n
4.3 任务2：保存与加载模型116 \n
4.3.1 SavedModel方式保存模型117 \n
4.3.2 H5格式保存模型118 \n
4.3.3 检查点（Checkpoint）格式保存模型119 \n
4.4 任务3：tf.data优化训练数据120 \n
4.4.1 训练数据输入模型的方法120 \n
4.4.2 tf.data API121 \n
4.4.3 tf.data.Dataset122 \n
4.5 任务4：花卉识别125 \n
4.5.1 下载图片125 \n
4.5.2 构建花卉数据集127 \n
4.5.3 构建与训练模型129 \n
4.5.4 保存与加载模型130 \n
拓展项目131 \n
项目5 图像识别：卷积神经网络132 \n
项目描述132 \n
思维导图132 \n
项目目标132 \n
5.1 认识卷积神经网络133 \n
5.1.1 卷积神经网络发展历史133 \n
5.1.2 全连接神经网络的问题134 \n
5.2 卷积神经网络基本结构135 \n
5.2.1 卷积运算135 \n
5.2.2 填充136 \n
5.2.3 步长137 \n
5.2.4 多输入通道和多输出通道138 \n
5.2.5 池化层139 \n
5.3 TensorFlow对卷积神经网络的支持140 \n
5.3.1 卷积函数141 \n
5.3.2 池化函数144 \n
5.4 任务1：识别CIFAR-10图像145 \n
5.4.1 卷积网络的整体结构145 \n
5.4.2 CIFAR-10数据集146 \n
5.4.3 构造卷积神经网络模型148 \n
5.4.4 编译、训练并评估模型149 \n
5.5 任务2：搭建经典卷积网络150 \n
5.5.1 图像识别的难题151 \n
5.5.2 AlexNet152 \n
5.5.3 VGG系列154 \n
5.5.4 ResNet156 \n
5.6 任务3：ResNet实现图像识别158 \n
5.6.1 ResNet模型结构158 \n
5.6.2 BasicBlock类159 \n
5.6.3 搭建ResNet网络模型160 \n
5.6.4 加载数据集并训练模型162 \n
拓展项目163 \n
项目6 AI诗人：循环神经网络164 \n
项目描述164 \n
思维导图164 \n
项目目标164 \n
6.1 认识循环神经网络165 \n
6.1.1 循环神经网络发展历史165 \n
6.1.2 循环神经网络的应用166 \n
6.1.3 循环神经网络的作用166 \n
6.2 任务1：电影评论分类167 \n
6.2.1 IMDb数据集167 \n
6.2.2 使用全连接神经网络169 \n
6.2.3 循环神经网络典型结构170 \n
6.2.4 SimpleRNNCell使用方法171 \n
6.2.5 RNN分类IMDb数据集173 \n
6.2.6 RNN梯度消失176 \n
6.3 任务2：AI诗人176 \n
6.3.1 长短期记忆（LSTM）176 \n
6.3.2 文本生成：AI诗人178 \n
拓展项目184 \n
项目7 预测汽车油耗效率：TensorFlow.js应用开发186 \n
项目描述186 \n
思维导图186 \n
项目目标186 \n
7.1 认识TensorFlow.js187 \n
7.1.1 TensorFlow.js的优点187 \n
7.1.2 TensorFlow.js 的核心概念188 \n
7.1.3 TensorFlow.js 环境配置190 \n
7.2 任务1：预测汽车油耗效率193 \n
7.2.1 创建主页并加载数据194 \n
7.2.2 定义模型结构196 \n
7.2.3 数据预处理196 \n
7.2.4 训练与测试模型197 \n
7.3 任务2：手写数字识别200 \n
7.3.1 从GitHub获取源码并运行200 \n
7.3.2 创建相关文件201 \n
7.3.3 定义模型结构203 \n
7.3.4 训练模型206 \n
7.3.5 使用模型进行评估与预测208 \n
拓展项目210 \n
项目8 花卉识别：TensorFlow Lite211 \n
项目描述211 \n
思维导图211 \n
项目目标211 \n
8.1 认识TensorFlow Lite212 \n
8.1.1 TensorFlow Lite发展历史212 \n
8.1.2 TensorFlow Lite的应用213 \n
8.2 TensorFlow Lite体系结构213 \n
8.2.1 TensorFlow Lite整体架构213 \n
8.2.2 TensorFlow Lite转换器214 \n
8.2.3 FlatBuffers格式215 \n
8.2.4 TensorFlow Lite解释执行器215 \n
8.3 任务1：TensorFlow Lite开发工作流程216 \n
8.3.1 选择模型216 \n
8.3.2 模型转换218 \n
8.3.3 模型推理219 \n
8.3.4 优化模型220 \n
8.4 任务2：TensorFlow Lite实现花卉识别220 \n
8.4.1 选择模型221 \n
8.4.2 Android部署226 \n
拓展项目233 \n
参考文献 234 \n