TensorFlow深度学习:数学原理与Python实战进阶

原书前言
第1章　数学基础//1
　1.1 线性代数//2
　　1.1.1　向量//2
　　1.1.2　标量//2
　　1.1.3　矩阵//3
　　1.1.4　张量//3
　　1.1.5　矩阵的运算和操作//4
　　1.1.6　向量的线性独立//6
　　1.1.7　矩阵的秩//8
　　1.1.8　单位矩阵或恒等运算符//8
　　1.1.9　矩阵的行列式//9
　　1.1.10　逆矩阵//10
　　1.1.11　向量的范数（模）//11
　　1.1.12　伪逆矩阵//12
　　1.1.13　以特定向量为方向的单位向量//12
　　1.1.14　一个向量在另一个向量方向上的投影（或射影）//12
　　1.1.15　特征向量//12
　1.2　微积分//17
　　1.2.1　微分//17
　　1.2.2　函数的梯度//17
　　1.2.3　连续偏导数//18
　　1.2.4　海森矩阵//18
　　1.2.5　函数的极大值和极小值//18
　　1.2.6　局部极小值和全局*小值//20
　　1.2.7　半正定以及正定矩阵//21
　　1.2.8　凸集//21
　　1.2.9　凸函数//22
　　1.2.10　非凸函数//22
1.2.11　多变量凸函数以及非凸函数范例//23
　　1.2.12　泰勒级数//24
　1.3　概率//24
　　1.3.1　并集、交集和条件概率//25
　　1.3.2　事件交集概率的链式法则//26
　　1.3.3　互斥事件//26
　　1.3.4　事件独立性//27
　　1.3.5　事件条件独立性//27
　　1.3.6　贝叶斯定理（公式）//27
　　1.3.7　概率质量函数//28
　　1.3.8　概率密度函数//28
　　1.3.9　随机变量的数学期望//28
　　1.3.10　随机变量的方差//28
　　1.3.11　偏度和峰度//29
　　1.3.12　协方差//30
　　1.3.13　相关性系数//31
　　1.3.14　一些常见的概率分布//31
　　1.3.15　似然函数//34
　　1.3.16　*大似然估计//35
　　1.3.17　假设检验和p值//36
　1.4　机器学习算法的制定与优化算法//38
　　1.4.1　监督学习//38
　　1.4.2　无监督学习//45
　　1.4.3　机器学习的优化算法//45
　　1.4.4　约束优化问题//53
　1.5　机器学习中的几个重要主题//54
　　1.5.1　降维方法//54
　　1.5.2　正则化//5
　　1.5.3　约束优化问题中的正则化//59
　1.6　总结//60
第2章　深度学习概念和TensorFlow介绍//61
　2.1　深度学习及其发展//61
　2.2　感知机和感知机学习算法//63
　　2.2.1　感知机学习的几何解释//65
　　2.2.2　感知机学习的局限性//66
　　2.2.3　非线性需求//68
　　2.2.4　隐藏层感知机的非线性激活函数//69
　　2.2.5　神经元或感知机的不同激活函数//70
　　2.2.6　多层感知机网络的学习规则//74
　　2.2.7　梯度计算的反向传播//75
　　2.2.8　反向传播方法推广到梯度计算//76
　2.3　TensorFlow //82
　　2.3.1　常见的深度学习包//82
　　2.3.2　TensorFlow的安装//83
　　2.3.3　TensorFlow的开发基础//83
　　2.3.4　深度学习视角下的梯度下降优化方法//86
　　2.3.5　随机梯度下降的小批量方法中的学习率//90
　　2.3.6　TensorFlow中的优化器//90
　　2.3.7　TensorFlow实现XOR//96
　　2.3.8　TensorFlow中的线性回归//100
　　2.3.9　使用全批量梯度下降的SoftMax函数多分类//103
　　2.3.10　使用随机梯度下降的SoftMax函数多分类//105
　2.4　GPU //107
　2.5　总结//108
第3章　卷积神经网络//109
　3.1　卷积操作//109
　　3.1.1　线性时不变和线性移不变系统//109
　　3.1.2　一维信号的卷积//111
　3.2　模拟信号和数字信号//112
　　3.2.1　二维和三维信号//113
　3.3　二维卷积//114
　　3.3.1　二维单位阶跃函数//114
　　3.3.2　LSI系统中单位阶跃响应信号的二维卷积//115
　　3.3.3　不同的LSI系统中图像的二维卷积//117
　3.4　常见的图像处理滤波器//120
　　3.4.1　均值滤波器//120
　　3.4.2　中值滤波器//122
　　3.4.3　高斯滤波器//122
　　3.4.4　梯度滤波器//123
　　3.4.5　Sobel边缘检测滤波器//125
　　3.4.6　恒等变换//127
　3.5　卷积神经网络//128
　3.6　卷积神经网络的组成部分//128
　　3.6.1　输入层//129
　　3.6.2　卷积层//129
　　3.6.3　池化层//131
　3.7　卷积层中的反向传播//131
　3.8　池化层中的反向传播//134
　3.9　卷积中的权值共享及其优点//136
　3.10　平移同变性//136
　3.11　池化的平移不变性//137
　3.12　舍弃层和正则化//138
　3.13　MNIST数据集上进行手写数字识别的卷积神经网络//140
　3.14　用来解决现实问题的卷积神经网络//144
　3.15　批规范化//151
　3.16　卷积神经网络中的几种不同的网络架构//153
　　3.16.1　LeNet//153
　　3.16.2　AlexNet//154
　　3.16.3　VGG16//155
　　3.16.4　ResNet//156
　3.17　迁移学习//157
　　3.17.1　迁移学习的使用指导//158
　　3.17.2　使用谷歌InceptionV3网络进行迁移学习//159
　　3.17.3　使用预训练的VGG16网络迁移学习//162
　3.18　总结//166
第4章　基于循环神经网络的自然语言处理//167
　4.1　向量空间模型//167
　4.2　单词的向量表示//170
　4.3　Word2Vec//170
　　4.3.1　CBOW //171
　　4.3.2　CBOW 在TensorFl