TensorFlow深度学习应用实践
写作本书的原因
本书的优势
本书的内容
本书的特点
本书适合人群
本书适合人群
本书作者
1 星星之火
1.1 计算机视觉与深度学习
1.1.1 人类视觉神经的启迪
1.1.2 计算机视觉的难点与人工神经网络
1.1.3 应用深度学习解决计算机视觉问题
1.2 计算机视觉学习的基础与研究方向
1.2.1 学习计算机视觉结构图
1.2.2 计算机视觉的学习方式和未来趋势
1.3 本章小结
2 Python的安装与使用
2.1 Python基本安装和用法
2.1.1 Anaconda的下载与安装
2.1.2 Python编译器PyCharm的安装
2.1.3 使用Python计算softmax函数
2.2 Python常用类库中的threading
2.2.1 threading库的使用
2.2.2 threading模块中最重要的Thread类
2.2.3 threading中的Lock类
2.2.4 threading中的join类
2.3 本章小结
3 深度学习的理论基础——机器学习
3.1 机器学习基本分类
3.1.1 基于学科的分类
3.1.2 基于学习模式的分类
3.1.3 基于应用领域的分类
3.2 机器学习基本算法
3.2.1 机器学习的算法流程
3.2.2 基本算法的分类
3.3 算法的理论基础
3.3.1 小学生的故事——求圆的面积
3.3.2 机器学习基础理论——函数逼近
3.4 回归算法
3.4.1 函数逼近经典算法——线性回归
3.4.2 线性回归的姐妹——逻辑回归
3.5 机器学习的其他算法——决策树
3.5.1 水晶球的秘密
3.5.2 决策树的算法基础——信息熵
3.5.3 决策树的算法基础——ID3算法
3.6 本章小结
4 Python类库的使用——数据处理及可视化展示
4.1 从小例子起步——NumPy的初步使用
4.1.1 数据的矩阵化
4.1.2 数据分析
4.1.3 基于统计分析的数据处理
4.2 图形化数据处理——Matplotlib包使用
4.2.1 差异的可视化
4.2.2 坐标图的展示
4.2.3 玩个大的
4.3 深度学习理论方法——相似度计算
4.3.1 基于欧几里得距离的相似度计算
4.3.2 基于余弦角度的相似度计算
4.3.3 欧几里得相似度与余弦相似度的比较
4.4 数据的统计学可视化展示
4.4.1 数据的四分位
4.4.2 数据的四分位示例
4.4.3 数据的标准化
4.4.4 数据的平行化处理
4.4.5 热点图——属性相关性检测
4.5 Python实战——某地降水的关系处理
4.5.1 不同年份的相同月份统计
4.5.2 不同月份之间的增减程度比较
4.5.3 每月降水不相关吗
4.6 本章小结
5 OpenCV的基础使用
5.1 OpenCV基本的图片读取
5.1.1 基本的图片存储格式
5.1.2 图像的读取与存储
5.1.3 图像的转换
5.1.4 使用NumPy模块对图像进行编辑
5.2 OpenCV的卷积核处理
5.2.1 计算机视觉的三种不同色彩空间
5.2.2 卷积核与图像特征提取
5.2.3 卷积核进阶
5.3 本章小结
6 OpenCV与TensorFlow的融合
6.1 图片的自由缩放以及边缘裁剪
6.1.1 图像的扩缩裁挖
6.1.2 图像色调的调整
6.1.3 图像的旋转、平移和翻转
6.2 使用OpenCV扩大图像数据库
6.2.1 图像的随机裁剪
6.2.2 图像的随机旋转变换
6.2.3 图像色彩的随机变换
6.2.4 对鼠标的监控
6.3 本章小结
7 Let’s play TensorFlow
7.1 TensorFlow游乐场
7.1.1 I want to play a game
7.1.2 TensorFlow游乐场背后的故事
7.1.3 如何训练神经网络
7.2 初识Hello TensorFlow
7.2.1 TensorFlow名称的解释
7.2.2 TensorFlow基本概念
7.2.3 TensorFlow基本架构
7.3 本章小结
8 Hello TensorFlow，从0到1
8.1 TensorFlow的安装
8.2 TensorFlow常量、变量和数据类型
8.3 TensorFlow矩阵计算
8.4 Hello TensorFlow
8.5 本章小结
9 TensorFlow重要算法基础
9.1 BP神经网络简介
9.2 BP神经网络中的两个基础算法
9.2.1 最小二乘法（LS算法）详解
9.2.2 道士下山的故事——梯度下降算法
9.3 TensorFlow实战——房屋价格的计算
9.3.1 数据收集
9.3.2 模型的建立与计算
9.3.3 TensorFlow程序设计
9.4 反馈神经网络反向传播算法
9.4.1 深度学习基础
9.4.2 链式求导法则
9.4.3 反馈神经网络原理与公式推导
9.4.4 反馈神经网络原理的激活函数
9.4.5 反馈神经网络原理的Python实现
9.5 本章小结
10 TensorFlow数据的生成与读取详解
10.1 TensorFlow的队列
10.1.1 队列的创建
10.1.2 线程同步与停止
10.1.3 队列中数据的读取
10.2 CSV文件的创建与读取
10.2.1 CSV文件的创建
10.2.2 CSV文件的读取
10.3 TensorFlow文件的创建与读取
10.3.1 TFRecords文件的创建
10.3.2 TFRecords文件的读取
10.3.3 图片文件的创建与读取
10.4 本章小结
11 回归分析——从TensorFlow陷阱与细节开始
11.1 TensorFlow线性回归
11.1.1 线性回归详解与编程实战
11.1.2 线性回归编程中的陷阱与细节设计
11.1.3 TensorFlow多元线性回归
11.2 多元线性回归实战编程
11.2.1 多元线性回归实战的编程—房屋价格计算
11.2.2 多元线性回归实战的推广——数据的矩阵化
11.3 逻辑回归详解
11.3.1 逻辑回归不是回归算法
11.3.2 常用的逻辑回归特征变化与结果转换
11.3.3 逻辑回归的损失函数
11.3.4 逻辑回归编程实战——胃癌的转移判断
11.4 本章小结
12 TensorFlow编程实战——MNIST手写体识别
12.1 MNIST数据集
12.1.1 MNIST是什么
12.1.2 MNIST数据集的特征和标签
12.2 MNIST数据集实战编程
12.2.1 softmax激活函数
12.2.2 MNIST编程实战
12.2.3 为了更高的准确率
12.2.4 增加更多的深度
12.3 初识卷积神经网络
12.3.1 卷积神经网络
12.3.2 卷积神经网络的程序编写
12.3.3 多层卷积神经网络的程序编写
12.4 本章小结
13 卷积神经网络原理
13.1 卷积运算基本概念
13.1.1 卷积运算
13.1.2 TensorFlow中卷积函数实现详解
13.1.3 使用卷积函数对图像感兴趣区域进行标注
13.1.4 池化运算
13.1.5 使用池化运算加强卷积特征提取
13.2 卷积神经网络的结构详解
13.2.1 卷积神经网络原理
13.2.2 卷积神经网络的应用实例——LeNet5网络结构
13.2.3 卷积神经网络的训练
13.3 TensorFlow实现LeNet实例
13.3.1 LeNet模型分解
13.3.2 使用ReLU激活函数代替sigmoid
13.3.3 程序的重构——模块化设计
13.3.4 卷积核和隐藏层参数的修改
13.4 本章小结
14 卷积神经网络公式推导与应用
14.1 反馈神经网络算法
14.1.1 经典反馈神经网络正向与反向传播公式推导
14.1.2 卷积神经网络正向与反向传播公式推导
14.2 使用卷积神经网络分辨CIFAR-10数据集
14.2.1 CIFAR-10数据集下载与介绍
14.2.2 CIFAR-10模型的构建与数据处理
14.2.3 CIFAR-10模型的细节描述与参数重构
14.3 本章小结
15 猫狗大战——实战AlexNet
15.1 AlexNet简介
15.1.1 AlexNet模型解读
15.1.2 AlexNet程序的实现
15.2 实战猫狗大战——AlexNet模型
15.2.1 数据的收集与处理
15.2.2 模型的训练与存储
15.2.3 使用训练过的模型预测图片
15.2.4 使用Batch_Normalization正则化处理数据集
15.3 本章小结
16 我们都爱Finetuning——复用VGG16进行猫狗大战
16.1 TensorFlow模型保存与恢复详解
16.1.1 TensorFlow保存和恢复函数的使用
16.1.2 多次模型的保存和恢复
16.1.3 实战TensorFlow模型的存储与恢复
16.2 更为细化的保存和恢复方法
16.2.1 存储文件的解读
16.2.2 更细节地对模型进行恢复和处理
16.3 VGGNet实现
16.3.1 VGGNet模型解读及与AlexNet比较
16.3.2 VGGNet模型的TensorFlow实现
16.4 使用已训练好的模型和权重复现VGGNet
16.4.1 npz文件的读取
16.4.2 复用的VGGNet模型定义
16.4.3 保存复用的VGGNet模型为TensorFlow格式
16.5 猫狗大战V2——Finetuning使用VGGNet进行图像判断
16.5.1 Finetuning基本理解
16.5.2 猫狗大战——Finetuning使用VGGNet
16.6 本章小结
17 开始找工作吧——深度学习常用面试问题答疑
17.1 深度学习面试常用问题答疑
17.1.1 如何降低过拟合
17.1.2 全连接层详解
17.1.3 激活函数起作用的原因
17.1.4 卷积后的图像大小
17.1.5 池化层的作用
17.1.6 为什么在最后分类时使用softmax而不是传统的SVM
17.2 卷积神经网络调优面试问答汇总
17.2.1 数据集的注意事项
17.2.2 卷积模型训练的注意事项
17.3 NIN模型介绍
17.3.1 NIN模型简介
17.3.2 猫狗大战——NIN的代码实现
17.4 “deeper is better”——GoogLeNet模型介绍
17.4.1 GoogLeNet模型的介绍
17.4.2 GoogLeNet模型单元的TensorFlow实现
17.4.3 GoogLeNet模型的一些注意事项
17.5 本章小结
18 暂时的冠军——ResNet简介及TensorFlow实现
18.1 ResNet模型简介
18.1.1 ResNet模型定义
18.1.2 定义工具的TensorFlow实现
18.1.3 ResNet模型的TensorFlow实现
18.2 新兴的卷积神经模型简介
18.2.1 SqueezeNet模型简介
18.2.2 Xception模型简介
18.3 本章小结
19 TensorFlow高级API——Slim使用入门
19.1 Slim详解
19.2 Slim使用方法介绍
19.2.1 Slim中变量使用方法介绍
19.2.2 Slim中层的使用方法介绍
19.2.3 Slim中参数空间使用方法介绍
19.3 实战——使用Slim定义VGG16
19.3.1 VGG16结构图和TensorFlow定义
19.3.2 使用Slim创建VGG16并训练
19.4 实战—使用Slim设计多层感知器（MLP）
19.4.1 MLP的Slim实现
19.4.2 MLP模型的评估
19.5 Slim数据读取方式
19.5.1 Slim数据读取格式
19.5.2 生成TFRecords格式数据
19.5.3 使用Slim读取TFRecords格式数据
19.6 本章小结
20 Slim使用进阶
20.1 使用Slim创建卷积神经网络（CNN）
20.1.1 数据集获取
20.1.2 创建卷积神经网络
20.1.3 训练Slim创建的卷积网络
20.2 使用Slim预训练模型进行Finetuning
20.2.1 Inception-ResNet-v2模型简介
20.2.2 使用Inception-ResNet-v2预训练模型参数
20.2.3 修改Inception-ResNet-v2预训练模型输出层级
20.3 本章小结
21 全卷积神经网络图像分割入门
21.1 全卷积神经网络进行图像分割的理论基础
21.1.1 全连接层和全卷积层
21.1.2 反卷积（upsampling）计算
21.2 全卷积神经网络进行图像分割的分步流程与编程基础
21.2.1 使用VGG16进行图像识别
21.2.2 上采样（upsampling）详解
21.2.3 一种常用的卷积核—双线插值
21.2.4 实战——使用VGG16全卷积网络进行图像分割
21.3 本章小结
22 不服就是GAN——对抗生成网络
22.1 对抗生成网络详解
22.1.1 GAN的基本原理介绍
22.1.2 简单GAN的TensorFlow实现
22.2 从0到1—实战：使用GAN生成手写体数字
22.2.1 分步骤简介
22.2.2 GAN网络的训练
22.3 本章小结
思维导图
防止博客图床图片失效，防止图片源站外链：
http://www.processon.com/chart_image/5e5b453ae4b0541c5e14aa93.png)
思维导图在线编辑链接：