人工智能原理与实践:基于PYTHON语言和TENSORFLOW/张明

基　础　篇

第1章　绪论　1

1.1　人工智能简介　1

1.1.1　人工智能的概念　1

1.1.2　现代人工智能的兴起　5

1.1.3　人工智能的学术流派　5

1.2　人工智能的发展历史　8

1.2.1　孕育期（1956年之前）　8

1.2.2　形成期（1956～1969年）　9

1.2.3　发展期（1970年之后）　11

1.3　人工智能技术的研究内容与应用领域　13

1.3.1　神经网络　14

1.3.2　机器学习　15

1.3.3　模式识别　15

1.3.4　自然语言理解　16

1.3.5　专家系统　17

1.3.6　博弈　17

1.3.7　智能控制　18

1.3.8　其他　18

1.4　人工智能与TensorFlow　18

1.4.1　机器学习与深度学习　18

1.4.2　TensorFlow概念　20

1.4.3　TensorFlow的应用　23

第2章　Python基础应用　25

2.1　引言　25

2.2　Python的安装　25

2.3　数据类型与数据结构　29

2.4　数字　29

2.5　变量及其命名规则　29

2.6　语句和表达式　30

2.7　字符串　31

2.8　容器　32

2.8.1　列表　32

2.8.2　元组　35

2.8.3　字典　35

2.8.4　复制　36

2.9　函数　38

2.9.1　常用内置函数及高阶函数　38

2.9.2　用户自定义函数　42

2.10　常用库　43

2.10.1　时间库　43

2.10.2　科学计算库（NumPy）　47

2.10.3　可视化绘图库（Matplotlib）　54

2.10.4　锁与线程　58

2.10.5　多线程编程　59

第3章　TensorFlow基础　62

3.1　TensorFlow的架构　62

3.2　TensorFlow的开发环境搭建　66

3.3　数据流图简介　77

3.3.1　数据流图基础　77

3.3.2　节点的依赖关系　80

3.4　TensorFlow中定义数据流图　83

3.4.1　构建一个TensorFlow数据流图　83

3.4.2　张量思维　87

3.4.3　张量的形状　90

3.4.4　TensorFlow的Op　91

3.4.5　TensorFlow的Graph对象　93

3.4.6　TensorFlow的Session　94

3.4.7　输入与占位符　97

3.4.8　Variable对象　98

3.5　通过名称作用域组织数据流图　100

3.6　构建数据流图　105

3.7　运行数据流图　108

第4章　TensorFlow运作方式　114

4.1　数据的准备和下载　114

4.2　图表构建与推理　115

4.2.1　图表构建　115

4.2.2　推理　116

4.3　损失与训练　117

4.3.1　损失　117

4.3.2　训练　117

4.4　状态检查与可视化　118

4.4.1　状态检查　118

4.4.2　状态可视化　119

4.5　评估模型　120

4.6　评估图表的构建与输出　123

4.6.1　评估图表的构建　123

4.6.2　评估图表的输出　123

实　战 篇

第5章　MNIST机器学习　125

5.1　MNIST数据集简介　125

5.2　MNIST数据下载　127

5.2.1　数据的准备　129

5.2.2　数据重构　130

5.2.3　数据集对象　130

5.3　softmax回归模型简介　131

5.4　模型的训练与评估　132

5.5　TensorFlow模型基本步骤　135

5.6　构建softmax回归模型　135

第6章　卷积神经网络　138

6.1　卷积神经网络　138

6.2　卷积神经网络的模型架构　142

6.2.1　ImageNet-2010网络结构　142

6.2.2　DeepID网络结构　143

6.3　卷积运算　144

6.3.1　输入和卷积核　145

6.3.2　降维　145

6.3.3　填充　145

6.3.4　数据格式　145

6.4　卷积常见层　146

6.4.1　卷积层　146

6.4.2　池化层　149

6.4.3　归一化　150

6.4.4　高级层　151

6.5　TensorFlow和图像　152

6.5.1　图像加载　152

6.5.2　图像格式　152

6.5.3　图像操作　152

6.5.4　颜色空间变换　153

6.6　模型训练　153

6.7　模型评估　154

6.8　多GPU的模型训练　154

第7章　字词的向量表示　155

7.1　WordEmbedding的基本概念和知识　156

7.2　Skip-Gram模型　158

7.2.1　数据集的准备　160

7.2.2　模型结构　161

7.2.3　处理噪声对比　162

7.2.4　模型训练　163

7.3　嵌套学习可视化与评估　164

7.4　优化实现　166

第8章　递归神经网络　168

8.1　递归神经网络的架构　169

8.2　PTB数据　170

8.3　模型及LSTM　170

8.3.1　LSTM的概念　172

8.3.2　LSTM的结构　173

8.3.3　LSTM的控制门　173

8.4　反向传播的截断　175

8.5　输入与损失函数　175

8.6　多个LSTM层堆叠　175

8.7　代码的编译与运行　176

第9章　Mandelbrot集合　177

9.1　库的导入　178

9.2　会话和变量初始化　179

9.3　定义并运行计算　179

第10章　偏微分方程模拟仿真　180

10.1　计算函数的定义　180

10.2　偏微分方程的定义　182

10.3　仿真　183

第11章　人脸识别　185

11.1　人脸识别概念　185

11.2　人脸识别的流程　188

11.2.1　人脸图像的采集　188

11.2.2　人脸图像的检测　189

11.2.3　人脸图像的预处理　189

11.2.4　人脸图像的特征提取　189

11.2.5　人脸图像的匹配与识别　190

11.2.6　活体鉴别　190

11.3　人脸识别种类　190

11.3.1　人脸检测　190

11.3.2　人脸关键点检测　191

11.3.3　人脸验证　194

11.4　人脸检测　194

11.4.1　LFW数据集　194

11.4.2　数据预处理与检测　195

11.5　性别和年龄识别　196

11.5.1　数据预处理　198

11.5.2　模型构建　198

11.5.3　模型训练　203

11.5.4　模型验证　204