TensorFlow從零開始學(xué)

第 1 章 機(jī)器學(xué)習(xí)基礎(chǔ) / 1
1.1 人工智能：是機(jī)遇也是挑戰(zhàn) / 2
1.2 機(jī)器學(xué)習(xí) / 2
1.2.1 什么是機(jī)器學(xué)習(xí) / 2
1.2.2 用機(jī)器學(xué)習(xí)解決問題的一般流程 / 4
1.2.3 數(shù)據(jù)預(yù)處理 / 6
1.2.4 特征工程 / 7
1.2.5 模型的評(píng)估和選擇 / 10
1.3 深度學(xué)習(xí)的發(fā)展歷程及應(yīng)用 / 16
1.3.1 深度學(xué)習(xí)的發(fā)展歷程 / 16
1.3.2 深度學(xué)習(xí)的應(yīng)用 / 18
1.4 本章練習(xí) / 20
第 2 章 TensorFlow 基礎(chǔ) / 21
2.1 TensorFlow 2.0 簡(jiǎn)介 / 22
2.1.1 TensorFlow 的基本概念 / 22
2.1.2 從 1.x 到 2.0 的變化 / 25
2.1.3 TensorFlow 2.0 的架構(gòu) / 26
2.2 TensorFlow 2.0 的安裝 / 27
2.3 TensorFlow 2.0 的使用 / 33
2.3.1 “tf.data”API / 33
2.3.2 “tf.keras”API / 40
2.4 使用 GPU 加速 / 47
2.4.1 安裝配置 GPU 環(huán)境 / 47
2.4.2 使用 TensorFlow-GPU / 53
2.5 本章小結(jié) / 55
第 3 章 前饋神經(jīng)網(wǎng)絡(luò) / 56
3.1 神經(jīng)網(wǎng)絡(luò) / 57
3.1.1 感知器模型 / 57
3.1.2 多層神經(jīng)網(wǎng)絡(luò) / 58
3.2 激活函數(shù) / 61
3.2.1 Logistic 函數(shù) / 61
3.2.2 Tanh 函數(shù) / 61
3.2.3 ReLU 函數(shù) / 62
3.3 損失函數(shù)和輸出單元 / 63
3.3.1 損失函數(shù)的選擇 / 63
3.3.2 輸出單元的選擇 / 64
3.4 小試牛刀：MNIST 手寫數(shù)字識(shí)別 / 65
3.4.1 MNIST 數(shù)據(jù)集 / 66
3.4.2 數(shù)據(jù)處理 / 67
3.4.3 簡(jiǎn)單前饋神經(jīng)網(wǎng)絡(luò)的實(shí)現(xiàn) / 70
3.5 本章小結(jié) / 72
3.6 本章練習(xí) / 72
第 4 章 卷積神經(jīng)網(wǎng)絡(luò) / 73
4.1 卷積神經(jīng)網(wǎng)絡(luò)的基本特征與基本結(jié)構(gòu) / 74
4.2 卷積層 / 76
4.2.1 什么是卷積 / 76
4.2.2 滑動(dòng)步長(zhǎng)和零填充 / 79
4.2.3 卷積層的基本結(jié)構(gòu) / 81
4.3 池化層 / 83
4.4 小試牛刀： CNN 實(shí)現(xiàn)圖像分類 / 84
4.5 本章小結(jié) / 92
4.6 本章練習(xí) / 92
第 5 章 循環(huán)神經(jīng)網(wǎng)絡(luò) / 93
5.1 簡(jiǎn)單循環(huán)神經(jīng)網(wǎng)絡(luò) / 94
5.1.1 循環(huán)神經(jīng)網(wǎng)絡(luò)的基本 結(jié)構(gòu) / 95
5.1.2 循環(huán)神經(jīng)網(wǎng)絡(luò)的運(yùn)算過程和參數(shù)更新 / 96
5.2 常用循環(huán)神經(jīng)網(wǎng)絡(luò) / 100
5.2.1 多層循環(huán)神經(jīng)網(wǎng)絡(luò) / 101
5.2.2 雙向循環(huán)神經(jīng)網(wǎng)絡(luò) / 101
5.2.3 TensorFlow 實(shí)現(xiàn)循環(huán)神經(jīng)
網(wǎng)絡(luò) / 102
5.3 長(zhǎng)期依賴問題及其優(yōu)化 / 107
5.4 門控循環(huán)神經(jīng)網(wǎng)絡(luò) / 110
5.4.1 長(zhǎng)短期記憶網(wǎng)絡(luò) / 110
5.4.2 門控循環(huán)單元 / 114
5.4.3 TensorFlow 實(shí)現(xiàn) LSTM 和 GRU / 115
5.5 循環(huán)神經(jīng)網(wǎng)絡(luò)的應(yīng)用 / 116
5.5.1 文本分類 / 116
5.5.2 序列標(biāo)注 / 117
5.5.3 機(jī)器翻譯 / 118
5.6 注意力模型 / 119
5.7 本章小結(jié) / 121
5.8 本章練習(xí) / 121
第 6 章 深度強(qiáng)化學(xué)習(xí) / 122
6.1 從 AlphaGo 看深度強(qiáng)化學(xué)習(xí) / 123
6.2 強(qiáng)化學(xué)習(xí)基礎(chǔ)知識(shí) / 126
6.2.1 強(qiáng)化學(xué)習(xí)問題 / 126
6.2.2 馬爾可夫決策過程 / 128
6.2.3 最優(yōu)價(jià)值函數(shù)和貝爾曼 方程 / 130
6.3 有模型的強(qiáng)化學(xué)習(xí)方法 / 131
6.3.1 價(jià)值迭代 / 132
6.3.2 策略迭代 / 132
6.4 無模型的強(qiáng)化學(xué)習(xí)方法 / 133
6.4.1 蒙特卡羅方法 / 133
6.4.2 時(shí)序差分學(xué)習(xí) / 136
6.4.3 值函數(shù)近似 / 139
6.4.4 策略搜索 / 139
6.5 強(qiáng)化學(xué)習(xí)算法 / 141
6.5.1 Q-Learning 算法 / 141
6.5.2 Monte Carlo Policy Gradient算法 / 146
6.5.3 Actor-Critic 算法 / 150
6.6 深度強(qiáng)化學(xué)習(xí)算法 / 154
6.6.1 Deep Q-Networks（DQN） / 154
6.6.2 Deep Deterministic Policy
Gradient（DDPG） / 156
6.7 本章小結(jié) / 157
6.8 本章練習(xí) / 157
第 7 章 項(xiàng)目實(shí)戰(zhàn) / 158
7.1 CNN 實(shí)戰(zhàn)項(xiàng)目一：Chars74K / 158
7.2 CNN 實(shí)戰(zhàn)項(xiàng)目二：CIFAR-10 / 166
7.3 RNN實(shí)戰(zhàn)項(xiàng)目一：新聞文本分類 / 174
7.4 RNN 實(shí)戰(zhàn)項(xiàng)目二：聊天機(jī)器人 / 180
7.5 DRL 實(shí)戰(zhàn)項(xiàng)目：DQN / 189