文章目录

第一部分 TensorFlow基础

第1章 NumPy基础

第2章 TensorFlow张量及其计算

2.1 安装配置
2.2 层次架构
2.3 张量
2.4 变量
2.5 NumPy与tf.tensor比较
2.6 动态计算图
2.7 自动图
2.8 自动微分
2.9 损失函数
2.10优化器
2.11 TensorFlow 2.0实现回归实例
2.12 GPU加速
2.13小结

第3章 TensorFlow构建模型的方法

3.1 利用低阶API构建模型
3.2 利用中阶API构建模型
3.3利用高阶API构建模型
3.4 小结<

第4章 TensorFlow数据处理

4.1 tf.data简介
4.2 构建数据集的常用方法
4.3 如何生成自己的TFRecord格式数据
4.4 数据增强方法
4.5 小结

第5章 可视化

5.1 matplotlib
5.2 pyecharts
5.3 TensorBoard
5.4小结

第二部分 深度学习基础

第6章 机器学习基础

6.1 机器学习的一般流程
6.2 监督学习
6.3 无监督学习
6.4 数据预处理
6.5 机器学习实例
6.6 小结

第7章 神经网络基础

7.1 单层神经网络

7.2 多层神经网络

7.3 激活函数

7.4 正向和反向传播

7.5 解决过拟合问题

7.6 选择优化算法

7.7 使用tf.keras构建神经网络

7.8 小结

第8章 视觉处理基础

8.1 从全连接层到卷积层

8.2 卷积层

8.3 池化层

8.4 现代经典网络

8.5 卷积神经网络分类实例

8.6小结

第9章 自然语言处理基础

9.1 语言模型到循环神经网络

9.2 正向传播与随时间反向传播

9.3 现代循环神经网络

9.4 几种特殊架构

9.5 RNN应用场景

9.6 循环神经网络实践

9.7小结

第10 章 注意力机制

10.2 带注意力机制编码器-解码器架构

10.3 可视化Transformer架构

10.4 用TensorFlow实现Transformer

10.5 小结

第11 章 目标检测

11.1目标检测及主要挑战

11.2 优化候选框的几种算法

11.3目标检测典型算法

11.4 小结

第12章 生成式深度学习

12.1 用变分自编码器生成图像

12.2 GAN简介

12.3用GAN生成图像

12.4 VAE与GAN的异同

12.5 CGAN

12.6 提升GAN训练效果的一些技巧

12.7 小结

第三部分 深度学习实践

第13章 实战生成式模型

13.1 Deep Dream模型

13.2 风格迁移

13.3 小结

第14章 目标检测实例

14.1 数据集简介

14.2 准备数据

14.3 训练模型

14.4 测试模型

14.5 小结

第15 章 人脸检测与识别

15.1 人脸识别简介

15.2 项目概况

15.3 项目详细实施步骤

15.4 小结

第16章 文本检测与识别实例

16.1 项目架构说明

16.2 项目实施步骤

16.3小结

第17章 基于Transformer的对话实例

17.1 数据预处理

17.2 构建注意力模块

17.3 构建Transformer

17.4 定义损失函数

17.5 初始化并编译模型

17.6 测试评估模型

17.7 小结

第18章 Transformer处理图像实例

18.1导入数据

18.2 预处理数据

18.3构建模型

18.4编译、训练模型

18.5可视化运行结果

18.6 小结

第四部分 强化学习

第19章 强化学习基础

19.1 强化学习基础

19.2 时序差分算法

19.3 Q-Leaning算法

19.4 SARSA 算法

19.5 DSN算法原理

19.6 小结

第20章 强化学习实践

20.1 SARSA算法实例

20.2 Q-Learning算法实例

20.3 用TensorFlow实现 DQN算法

20.4 小结

附录A TensorFlow-gpu 2+升级安装配置

附录B TensorFlow1.x升级到TensorFlow 2.x