第1章 人工智能、机器学习与深度学习简介

1.1人工智能、机器学习、深度学习的关系

1.2机器学习介绍

1.3机器学习分类

1.4深度学习简介

1.5结论

第2章 深度学习的原理

2.1神经传导的原理

2.2以矩阵运算仿真神经网络

2.3多层感知器模型

2.4使用反向传播算法进行训练

2.5结论

第3章 TensorFlow与Keras介绍

3.1 TensorFlow架构图

3.2 TensorFlow简介

3.3 TensorFlow程序设计模式

3.4 Keras介绍

3.5 Keras程序设计模式

3.6 Keras与TensorFlow比较

3.7结论

第4章 在Windows中安装TensorFlow与Keras

4.1安装Anaconda

4.2启动命令提示符

4.3建立TensorFlow的Anaconda虚拟环境

4.4在Anaconda虚拟环境安装TensorFlow与Keras

4.5启动Jupyter Notebook

4.6结论

第5章 在Linux Ubuntu中安装TensorFlow与Keras

5.1安装Anaconda

5.2安装TensorFlow与Keras

5.3启动Jupyter Notebook

5.4结论

第6章 Keras MNIST手写数字识别数据集

6.1下载 MNIST数据

6.2查看训练数据

6.3查看多项训练数据images与label

6.4多层感知器模型数据预处理

6.5 features数据预处理

6.6 label数据预处理

6.7结论

第7章 Keras多层感知器识别手写数字

7.1 Keras多元感知器识别MNIST手写数字图像的介绍

7.2进行数据预处理

7.3建立模型

7.4进行训练

7.5以测试数据评估模型准确率

7.6进行预测

7.7显示混淆矩阵

7.8隐藏层增加为1000个神经元

7.9多层感知器加入DropOut功能以避免过度拟合

7.10建立多层感知器模型包含两个隐藏层

7.11结论

第8章 Keras卷积神经网络识别手写数字

8.1卷积神经网络简介

8.2进行数据预处理

8.3建立模型

8.4进行训练

8.5评估模型准确率

8.6 进行预测

8.7显示混淆矩阵

8.8结论

第9章 Keras CIFAR-10图像识别数据集

9.1下载CIFAR-10数据

9.2查看训练数据

9.3查看多项images与label

9.4将images进行预处理

9.5对label进行数据预处理

9.6结论

第10章 Keras卷积神经网络识别CIFAR-10图像

10.1卷积神经网络简介

10.2数据预处理

10.3建立模型

10.4进行训练

10.5评估模型准确率

10.6进行预测

10.7查看预测概率

10.8显示混淆矩阵

10.9建立3次的卷积运算神经网络

10.10模型的保存与加载

10.11结论

第11章 Keras泰坦尼克号上的旅客数据集

11.1下载泰坦尼克号旅客数据集

11.2使用Pandas DataFrame读取数据并进行预处理

11.3 使用Pandas DataFrame进行数据预处理

11.4将DataFrame转换为Array

11.5将ndarray特征字段进行标准化

11.6将数据分为训练数据与测试数据

11.7结论

第12章 Keras多层感知器预测泰坦尼克号上旅客的生存概率

12.1数据预处理

12.2建立模型

12.3开始训练

12.4评估模型准确率

12.5加入《泰坦尼克号》电影中Jack与Rose的数据

12.6进行预测

12.7找出泰坦尼克号背后的感人故事

12.8结论

第13章 IMDb网络电影数据集与自然语言处理

13.1 Keras自然语言处理介绍

13.2下载IMDb数据集

13.3读取IMDb数据

13.4查看IMDb数据

13.5建立token

13.6使用token将“影评文字”转换成“数字列表”

13.7让转换后的数字长度相同

13.8结论

第14章 Keras建立MLP、 RNN、 LSTM模型进行IMDb情感分析

14.1建立多层感知器模型进行MMDb情感分析

14.2数据预处理

14.3加入嵌入层

14.4建立多层感知器模型

14.5训练模型

14.6评估模型准确率

14.7进行预测

14.8查看测试数据预测结果

14.9查看《美女与野兽》的影评

14.10预测《美女与野兽》的影评是正面或负面的

14.11文字处理时使用较大的字典提取更多文字

14.12 RNN模型介绍

14.13使用Keras RNN模型进行IMDb情感分析

14.14 LSTM模型介绍

14.15 使用Keras LSTM模型进行IMDb情感分析

14.16结论

第15章 TensorFlow程序设计模式

15.1建立“计算图”

15.2执行“计算图”

15.3 TensorFlow placeholder

15.4 TensorFlow数值运算方法介绍

15.5 TensorBoard

15.6建立一维与二维张量

15.7矩阵基本运算

15.8结论

第16章 以TensorFlow张量运算仿真神经网络的运行

16.1以矩阵运算仿真神经网络

16.2以placeholder传入X值

16.3创建layer函数以矩阵运算仿真神经网络

16.4建立layer debug函数显示权重与偏差

16.5结论

第17章 TensorFlow MNIST手写数字识别数据集

17.1下载MNIST数据

17.2查看训练数据

17.3查看多项训练数据images与labels

17.4批次读取MNIST数据

17.5结论

第18章 TensorFlow多层感知器识别手写数字

18.1 TensorFlow建立多层感知器辨识手写数字的介绍

18.2数据准备

18.3建立模型

18.4定义训练方式

18.5定义评估模型准确率的方式

18.6进行训练

18.7评估模型准确率

18.8进行预测

18.9隐藏层加入更多神经元

18.10建立包含两个隐藏层的多层感知器模型

18.11结论

第19章 TensorFlow卷积神经网络识别手写数字

19.1卷积神经网络简介

19.2进行数据预处理

19.3建立共享函数

19.4建立模型

19.5定义训练方式

19.6定义评估模型准确率的方式

19.7进行训练

19.8评估模型准确率

19.9进行预测

19.10 TensorBoard

19.11结论

第20章 TensorFlow GPU版本的安装

20.1确认显卡是否支持CUDA

20.2安装CUDA

20.3安装cuDNN

20.4将cudnn64 5.dll存放的位置加入Path环境变量

20.5在Anaconda建立TensorFlow GPU虚拟环境

20.6安装TensorFlow GPU版本

20.7安装Keras

20.8结论

第21章 使用GPU加快TensorFlow与Keras训练

21.1启动TensorFlow GPU环境

21.2测试GPU与CPU执行性能

21.3超出显卡内存的限制

21.4以多层感知器的实际范例比较CPU与GPU的执行速度

21.5以CNN的实际范例比较CPU与GPU的执行速度

21.6以Keras Cifar CNN的实际范例比较CPU与GPU的执行速度

21.7结论

附录A 本书范例程序的下载与安装说明

A.1在Windows系统中下载与安装范例程序

A.2在Ubuntu Linux系统中下载与安装范例程序