1 深度學習簡介 1

1.1 深度學習介紹 1

1.2 深度學習的趨勢 7

1.3 參考資料 10

2 TensorFlow係統介紹 12

2.1 TensorFlow誕生的動機 12

2.2 TensorFlow係統簡介 14

2.3 TensorFlow基礎概念 16

2.3.1 計算圖 16

2.3.2 Session會話 18

2.4 係統架構 19

2.5 源碼結構 21

2.5.1 後端執行引擎 22

2.5.2 前端語言接口 24

2.6 小結 24

2.7 參考資料 25

3 Hello TensorFlow 26

3.1 環境準備 26

3.1.1 Mac OS安裝 27

3.1.2 Linux GPU服務器安裝 28

3.1.3 常用Python庫 32

3.2 Titanic題目實戰 34

3.2.1 Kaggle平颱介紹 34

3.2.2 Titanic題目介紹 35

3.2.3 數據讀入及預處理 38

3.2.4 構建計算圖 40

3.2.5 構建訓練迭代過程 44

3.2.6 執行訓練 46

3.2.7 存儲和加載模型參數 47

3.2.8 預測測試數據結果 50

3.3 數據挖掘的技巧 51

3.3.1 數據可視化 52

3.3.2 特徵工程 54

3.3.3 多種算法模型 57

3.4 TensorBoard可視化 58

3.4.1 記錄事件數據 58

3.4.2 啓動TensorBorad服務 60

3.5 數據讀取 62

3.5.1 數據文件格式 63

3.5.2 TFRecord 63

3.6 SkFlow、TFLearn與TF-Slim 67

3.7 小結 69

3.8 參考資料 69

4 CNN“看懂”世界 71

4.1 圖像識彆的難題 72

4.2 CNNs的基本原理 74

4.2.1 捲積的數學意義 75

4.2.2 捲積濾波 77

4.2.3 CNNs中的捲積層 81

4.2.4 池化（Pooling） 83

4.2.5 ReLU 84

4.2.6 多層捲積 86

4.2.7 Dropout 86

4.3 經典CNN模型 87

4.3.1 AlexNet 88

4.3.2 VGGNets 95

4.3.3 GoogLeNet & Inception 98

4.3.4 ResNets 106

4.4 圖像風格轉換 109

4.4.1 量化的風格 109

4.4.2 風格的濾鏡 116

4.5 小結 120

4.6 參考資料 121

5 RNN“能說會道” 123

5.1 文本理解和文本生成問題 124

5.2 標準RNN模型 128

5.2.1 RNN模型介紹 128

5.2.2 BPTT算法 130

5.2.3 靈活的RNN結構 132

5.2.4 TensorFlow實現正弦序列預測 135

5.3 LSTM模型 138

5.3.1 長期依賴的難題 138

5.3.2 LSTM基本原理 139

5.3.3 TensorFlow構建LSTM模型 142

5.4 更多RNN的變體 144

5.5 語言模型 146

5.5.1 NGram語言模型 146

5.5.2 神經網絡語言模型 148

5.5.3 循環神經網絡語言模型 150

5.5.4 語言模型也能寫代碼 152

5.5.5 改進方嚮 163

5.6 對話機器人 164

5.6.1 對話機器人的發展 165

5.6.2 基於seq2seq的對話機器人 169

5.7 小結 181

5.8 參考資料 182

6 CNN+LSTM看圖說話 183

6.1 CNN+LSTM網絡模型與圖像檢測問題 184

6.1.1 OverFeat和Faster R-CNN圖像檢測算法介紹 185

6.1.2 遮擋目標圖像檢測方法 187

6.1.3 ReInspect算法實現及模塊說明 188

6.1.4 ReInspect算法的實驗數據與結論 204

6.2 CNN+LSTM網絡模型與圖像摘要問題 207

6.2.1 圖像摘要問題 208

6.2.2 NIC圖像摘要生成算法 209

6.2.3 NIC圖像摘要生成算法實現說明 214

6.2.4 NIC算法的實驗數據與結論 243

6.3 小結 249

6.4 參考資料 250

7 損失函數與優化算法 253

7.1 目標函數優化策略 254

7.1.1 梯度下降算法 254

7.1.2 RMSProp優化算法 256

7.1.3 Adam優化算法 257

7.1.4 目標函數優化算法小結 258

7.2 類彆采樣（Candidate Sampling）損失函數 259

7.2.1 softmax類彆采樣損失函數 261

7.2.2 噪聲對比估計類彆采樣損失函數 281

7.2.3 負樣本估計類彆采樣損失函數 286

7.2.4 類彆采樣logistic損失函數 286

7.3 小結 287

7.4 參考資料 288

結語 289

書名：深度學習原理與TensorFlow實踐

作者：王琛，鬍振邦，高傑 著

齣版社：電子工業齣版社

齣版時間：2017-6

版次：1

印刷時間：2017-6

印次：2

開本：16開

裝幀：平裝

頁數：288

字數：364800

ISBN：9787121312984

定價：79.00

與市麵上已有的TensorFlow書相比，《深度學習原理與TensorFlow實踐》的特色在於一是所有案例來自作者團隊工作中的親身實踐，所選案例均是深度學習的經典應用，非常具有代錶性；二是結閤瞭深度學習的關鍵原理，強化讀者對深度學習及TensorFlow架構的理解，從而能在知其然、並知其所以然的基礎上，更好地運用TensorFlow來開發各類應用。

《深度學習原理與TensorFlow實踐》所梳理齣來的清晰脈絡和關鍵知識點， 能讓讀者在內外兼修的基礎上，循序漸進地提升功力，在人工智能時代大放異彩。

《深度學習原理與TensorFlow實踐》主要介紹瞭深度學習的基礎原理和TensorFlow係統基本使用方法。TensorFlow是目前機器學習、深度學習領域優秀的計算係統之一，《深度學習原理與TensorFlow實踐》結閤實例介紹瞭使用TensorFlow開發機器學習應用的詳細方法和步驟。同時，《深度學習原理與TensorFlow實踐》著重講解瞭用於圖像識彆的捲積神經網絡和用於自然語言處理的循環神經網絡的理論知識及其TensorFlow實現方法，並結閤實際場景和例子描述瞭深度學習技術的應用範圍與效果。

《深度學習原理與TensorFlow實踐》非常適閤對機器學習、深度學習感興趣的讀者，或是對深度學習理論有所瞭解，希望嘗試更多工程實踐的讀者，抑或是對工程産品有較多經驗，希望學習深度學習理論的讀者。

喻儼，百納信息（海豚瀏覽器）研發副總裁。2007年加入微軟亞洲工程院，2011年加入百納信息負責海外業務綫，從0到1做過多個項目，現 深度學習原理與TensorFlow實踐 人工智能 基礎原理 下載 mobi epub pdf txt 電子書