TensorFlow深度学习——手把手教你掌握100个精彩案例(Python版)

第1章Python程序设计语言

1.1Python程序设计语言历史

1.2Python程序设计语言简介

1.3Python版本简介

第2章安装和运行Python开发环境

2.1在Windows操作系统中安装Python

2.2在Windows操作系统中测试与运行Python

2.3在Mac操作系统中安装Python

2.4在Mac操作系统中测试与运行Python

2.5在Linux和树莓派中安装Python

2.6在Linux或树莓派中测试与运行Python

第3章开发程序和工具

3.1我的第1个Windows版Python程序

3.2我的第1个Mac、Linux和树莓派版Python程序

3.3开发和调试工具的下载和安装

3.4打开PyCharm

3.5用PyCharm创建项目

3.6调试项目

3.7安装Anaconda

3.8使用Anaconda

3.9pip安装包

3.10本书需要安装的第三方函数库列表

第4章TensorFlow简介和安装

4.1TensorFlow简介

4.2安装TensorFlow

4.3TensorFlow测试

第5章显卡确认

5.1安装NVIDIA的CUDA Toolkit 9.0

5.2安装NVIDIA的cuDNN v7.2.1

5.3安装Python 的TensorFlow GPU函数库

5.4运行TensorFlowGPU程序

5.5通过程序指定GPU显卡

5.6指定GPU显卡内存上限

第6章TensorFlow神经网络模型快速上手

6.1人工智能开发步骤

6.2创建训练集

6.3构建模型

6.4编译

6.5训练

6.6评估正确率

6.7预测

第7章TensorFlow改善神经网络模型MLP的准确率

7.1模型不同的写法

7.2TensorFlow与Keras 函数库的关系和差异

7.3标记处理独热编码

7.4处理多个特征值

7.5通过改变深度学习训练次数改善预测结果

7.6通过改变深度学习每次训练的数据量改善预测结果

7.7通过增加神经元的数量改善预测结果

7.8通过增加隐藏层的数量改善预测结果

7.9通过增加训练集的数据笔数改善训练结果

7.10使预测正确率达到100%

第8章TensorFlow神经网络模型实战案例

8.1鸢尾花的种类判断

8.2鸢尾花植物辨识数据库

8.3利用Python处理Excel文档

8.4下载并存储鸢尾花数据

8.5多层感知器模型

8.6使用TensorFlow.keras 创建模型

8.7澳大利亚堪培拉天气预测

8.8Excel数据的提取和存储

8.9CSV数据的提取、处理和存储

8.10处理天气记录的Excel数据

8.11使用神经网络模型MLP预测天气

第9章TensorFlow神经网络神经元

9.1神经网络图形工具

9.2神经网络图形工具的TensorFlow数据

9.3神经网络图形工具对应的TensorFlow程序

9.4调整隐藏层和神经元

9.5用*少的隐藏层和神经元区分数据

9.6通过TensorFlow 计算权重和偏移量

9.7将神经元的权重和偏移量用表达式表示

9.8用TensorFlow画出神经元的权重和偏移量

9.9binary_crossentropy 二元法的处理

9.10自定义数据验证回归和神经元的关系

9.11激活函数

9.12多个神经元

第10章MLP神经网络的数学理论

10.1激活函数Sigmoid的数学理论

10.2激活函数Tanh的数学理论

10.3激活函数ReLU的数学理论

10.4使用激活函数的目的

10.5MLP的计算公式

10.6两层神经元的数学计算

第11章TensorFlow神经网络隐藏层

11.1隐藏层的作用

11.2隐藏层的数学原理

11.3MLP实例XOR问题

11.4空间转换

11.5再次切割

11.6隐藏层的设置

第12章TensorFlow神经网络*短路径算法

12.1图形显示训练过程历史

12.2深度学习优化——*短路径算法

12.3Adam算法

12.4SGD算法

12.5RMSprop算法

12.6Adagrad、Adadelta、Nadam和Momentum算法

12.7选择优化算法的方法

12.8特征值数据标准化

12.9优化学习率

12.10编译模型的metrics 指针

第13章TensorFlow神经网络访问模型和训练结果

13.1TensorBoard的使用

13.2保存模型和训练后的结果

13.3提取模型系统结构和模型权重

13.4通过Callback每次训练存储权重一次

13.5自动判断是否需要训练模型

13.6分批次训练

第14章TensorFlow神经网络MLP回归

14.1回归的神经网络开发方法

14.2神经网络回归的metrics 指针

14.3单次梯度更新函数

14.4损失函数与代价函数

14.5波士顿房屋价格的数据库分析

14.6将波士顿房屋价格数据下载存储至Excel和CSV

14.7特征关系

14.8使用回归神经网络MLP预测波士顿房屋价格

14.9调整神经网络使MLP回归更加准确

14.10MLP回归分批继续训练

14.11波士顿房屋价格的预测单次梯度更新

第15章图像识别

15.1模式识别原理

15.2将图片转换成特征值

15.3多层感知器MLP实战模式识别

15.4实战手写数字图片数据集MNIST

15.5显示MNIST中每一笔数据内容

15.6图形显示MNIST内的数据

15.7显示多张图片

15.8图形和文字的识别原理

15.9将图形数据转换为MLP训练集

15.10使用MLP识别图形和文字

15.11服饰数据集的模式识别

15.12图形化显示服饰数据集

15.13使用MLP识别服饰数据集

第16章卷积神经网络

16.1CNN简介

16.2CNN和MLP的差异

16.3CNN快速上手

16.4CNN做手写数字图片识别之特征值的处理

16.5CNN做手写数字图片识别之模型

16.6CNN做手写数字图片识别之训练和预测

16.7CNN做手写数字图片识别之减少训练时间

16.8通过CNN提高图片识别率

16.9使用CNN识别服饰种类

16.10使用CNN识别彩色图片

16.11使用CNN识别100种人物和物体

16.12TensorFlow Datasets函数库

16.13使用和整理TensorFlow Datasets函数库

第17章OpenCV和CNN即时识别

17.1OpenCV简介

17.2使用OpenCV显示图片

17.3使用OpenCV打开摄像机并捕捉实时画面

17.4使用OpenCV存储照片

17.5通过摄像机识别的一个手写数字

17.6OpenCV手写程序

17.7即时手写识别App

17.8改善实际运用上的准确度

17.9二值化

第18章卷积神经网络原理

18.1Conv2D函数的数学原理

18.2Conv2D函数对图片每一个点的处理

18.3Conv2D函数对边缘的处理

18.4使用Conv2D函数显示图片

18.5参数kernel_size 和padding的差异

18.6滤镜数量的意义

18.7激活函数的意义

18.8多层Conv2D函数

18.9多层池化层MaxPooling2D函数

18.10池化层计算方法

18.11平均池化Average Pooling

18.12均值池化MeanPooling

第19章利用卷积神经网络提高准确率的技巧

19.1利用ImageDataGenerator函数创建更多训练集

19.2利用width_shift_range参数水平移动图片

19.3利用rotation_range参数旋转图片

19.4利用zoom_range参数放大缩小图片

19.5利用brightness_range参数调整明暗度

19.6height_shift_range、fill_mode及cval参数

19.7将ImageDataGenerator用于MNIST数据

19.8二值化和更多神经元

19.9MNIST手写预测

19.10混淆数组Confusion Matrix

第20章图学网络应用模块

20.1图学网络应用模块

20.2使用VGG16预测1000种对象

20.3自制VGG16模型

20.4将模型存储成图片

20.5使用VGG16模型做CIFAR10彩色数据训练

20.6使用VGG16模型做MNIST_fashion灰度数据训练

20.7使用摄像机和VGG16模型即时识别10 000种对象

20.8图学网络应用模块VGG19

20.9图学网络应用模块ResNet50

20.10图学网络应用模块Xception

20.11图学网络应用模块InceptionV3

20.12图学网络应用模块InceptionResNetV2

20.13图学网络应用模块NASNetLarge

20.14图学网络应用模块DenseNet121

第21章多影像识别实战

21.1创建或设计识别图片

21.2创建训练图库

21.3训练图库

21.4结合摄像机即时判断训练的图库

21.5使用VGG16训练和测试图库

21.6使用OpenCV找出多个物体

21.7多对象的预测

21.8利用摄像机做多对象的预测

21.9文字的即时识别

第22章多影像识别技术

22.1多对象检测和多影像识别技术

22.2Mask RCNN简介

22.3Mask RCNN使用

22.4取得预测率和对象位置

22.5Mask RCNN结合OpenCV和摄像机即时识别

22.6通过Mask RCNN判断视频上的多对象并存储视频

22.7准备训练图片

22.8训练自己的Mask RCNN权重

22.9测试自己训练的物体

22.10调整训练程序

22.11使用Mask RCNN识别多个气球的位置

22.12TensorFlow 1.14和TensorFlow2.1版本程序差异