深度学习实战：基于TensorFlow 2和Keras（原书第2版）

16.7 小结

16.6 使用TensorFlow 2.1和夜间版

16.5 使用预训练的TPU模型

16.4 如何在Colab中使用TPU

16.3 TPU性能

16.2 三代TPU和边缘TPU

16.1 CPU、GPU与TPU

第16章 张量处理单元

15.9 参考文献

15.8 小结

15.7 关于TensorFlow和自动区分的说明

15.6 关于反向传播和RNN的思考

15.5 关于反向传播和卷积的思考

15.4 反向传播

15.3 激活函数

15.2 数学工具

15.1 历史

第15章 深度学习相关的数学知识

14.10 参考文献

14.9 小结

14.8 将Google AutoML集成到Kaggle

14.7 Google Cloud AutoML

14.6 AutoKeras

14.5 自动模型生成

14.4 自动特征工程

14.3 自动数据准备

14.2 实现AutoML

14.1 什么是AutoML

第14章 AutoML简介

13.7 参考文献

13.6 小结

13.5 TensorFlow.js

13.4 边缘联合学习概述

13.3 TensorFlow Lite中的预训练模型

13.2 TensorFlow Lite

13.1 TensorFlow Mobile

第13章 用于移动设备和物联网的TensorFlow以及TensorFlow.js

12.7 参考文献

12.6 小结

12.5 TensorFlow企业版

12.4 用于生产的TensorFlow Extended

12.3 云端的Jupyter Notebook

12.2 云端虚拟机

12.1 云端深度学习

第12章 TensorFlow和云服务

11.6 参考文献

11.5 小结

11.4 深度确定性策略梯度

11.3 深度Q网络

11.2 OpenAI Gym概述

11.1 概述

第11章 强化学习

10.6 参考文献

10.5 小结

10.4 变分自编码器

10.3 受限玻尔兹曼机

10.2 自组织图

10.1 主成分分析

第10章 无监督学习

9.7 参考文献

9.6 小结

9.5 堆栈自编码器

9.4 降噪自编码器

9.3 稀疏自编码器

9.2 香草自编码器

9.1 自编码器简介

第9章 自编码器

8.9 参考文献

8.8 小结

8.7 Transformer架构

8.6 注意力机制

8.5 编码器-解码器架构——seq2seq

8.4 RNN拓扑结构

8.3 RNN变体

8.2 RNN单元变体

8.1 基本的RNN单元

第8章 循环神经网络

7.13 参考文献

7.12 小结

7.11 基于语言模型的嵌入

7.10 句子和段落嵌入

7.9 动态嵌入

7.8 字符和子词嵌入

7.7 神经嵌入——不只是单词

7.6 使用词嵌入检测垃圾短信

7.5 使用gensim探索嵌入空间

7.4 使用gensim创建自己的嵌入

7.3 静态嵌入

7.2 分布式表示

7.1 词嵌入的起源和基本原理

第7章 词嵌入

6.7 参考文献

6.6 小结

6.5 TensorFlow 2.0中的CycleGAN

6.4 GAN的出色应用

6.3 一些有趣的GAN架构

6.2 深度卷积GAN

6.1 什么是GAN

第6章 生成对抗网络

5.8 参考文献

5.7 小结

5.6 胶囊网络

5.5 卷积运算小结

5.4 音频和音乐

5.3 文本文件

5.2 视频

5.1 计算机视觉

第5章 高级卷积神经网络

4.6 参考文献

4.5 小结

4.4 用于大规模图像识别的超深度卷积网络

4.3 通过深度学习识别CIFAR-10图像

4.2 DCNN的示例——LeNet

4.1 深度卷积神经网络

第4章 卷积神经网络

3.7 参考文献

3.6 小结

3.5 分类任务和决策边界

3.4 使用线性回归预测房价

3.3 TensorFlow Estimator

3.2 使用线性回归进行预测

3.1 什么是回归

第3章 回归

2.5 小结

2.4 Keras还是tf.keras

2.3 TensorFlow 2.x生态系统

2.2 理解TensorFlow 2.x

2.1 理解TensorFlow 1.x

第2章 TensorFlow 1.x与2.x

1.16 参考文献

1.15 迈向深度学习方式

1.14 我们学到了什么

1.13 反向传播的实用概述

1.12 预测输出

1.11 超参数调谐和AutoML

1.10 情感分析

1.9 Google Colab——CPU、GPU和TPU

1.8 正则化

1.7 示例——识别手写数字

1.6 多层感知器——第一个神经网络示例

1.5 感知器

1.4 神经网络概述

1.3 TensorFlow 2.0有哪些重要的改动

1.2 Keras是什么

1.1 TensorFlow是什么

第1章 基于TensorFlow 2.0的神经网络基础

审校者简介

作者简介

前言

插图

版权信息

封面

封面

版权信息

插图

前言

作者简介

审校者简介

第1章 基于TensorFlow 2.0的神经网络基础

1.1 TensorFlow是什么

1.2 Keras是什么

1.3 TensorFlow 2.0有哪些重要的改动

1.4 神经网络概述

1.5 感知器

1.6 多层感知器——第一个神经网络示例

1.7 示例——识别手写数字

1.8 正则化

1.9 Google Colab——CPU、GPU和TPU

1.10 情感分析

1.11 超参数调谐和AutoML

1.12 预测输出

1.13 反向传播的实用概述

1.14 我们学到了什么

1.15 迈向深度学习方式

1.16 参考文献

第2章 TensorFlow 1.x与2.x

2.1 理解TensorFlow 1.x

2.2 理解TensorFlow 2.x

2.3 TensorFlow 2.x生态系统

2.4 Keras还是tf.keras

2.5 小结

第3章 回归

3.1 什么是回归

3.2 使用线性回归进行预测

3.3 TensorFlow Estimator

3.4 使用线性回归预测房价

3.5 分类任务和决策边界

3.6 小结

3.7 参考文献

第4章 卷积神经网络

4.1 深度卷积神经网络

4.2 DCNN的示例——LeNet

4.3 通过深度学习识别CIFAR-10图像

4.4 用于大规模图像识别的超深度卷积网络

4.5 小结

4.6 参考文献

第5章 高级卷积神经网络

5.1 计算机视觉

5.2 视频

5.3 文本文件

5.4 音频和音乐

5.5 卷积运算小结

5.6 胶囊网络

5.7 小结

5.8 参考文献

第6章 生成对抗网络

6.1 什么是GAN

6.2 深度卷积GAN

6.3 一些有趣的GAN架构

6.4 GAN的出色应用

6.5 TensorFlow 2.0中的CycleGAN

6.6 小结

6.7 参考文献

第7章 词嵌入

7.1 词嵌入的起源和基本原理

7.2 分布式表示

7.3 静态嵌入

7.4 使用gensim创建自己的嵌入

7.5 使用gensim探索嵌入空间

7.6 使用词嵌入检测垃圾短信

7.7 神经嵌入——不只是单词

7.8 字符和子词嵌入

7.9 动态嵌入

7.10 句子和段落嵌入

7.11 基于语言模型的嵌入

7.12 小结

7.13 参考文献

第8章 循环神经网络

8.1 基本的RNN单元

8.2 RNN单元变体

8.3 RNN变体

8.4 RNN拓扑结构

8.5 编码器-解码器架构——seq2seq

8.6 注意力机制

8.7 Transformer架构

8.8 小结

8.9 参考文献

第9章 自编码器

9.1 自编码器简介

9.2 香草自编码器

9.3 稀疏自编码器

9.4 降噪自编码器

9.5 堆栈自编码器

9.6 小结

9.7 参考文献

第10章 无监督学习

10.1 主成分分析

10.2 自组织图

10.3 受限玻尔兹曼机

10.4 变分自编码器

10.5 小结

10.6 参考文献

第11章 强化学习

11.1 概述

11.2 OpenAI Gym概述

11.3 深度Q网络

11.4 深度确定性策略梯度

11.5 小结

11.6 参考文献

第12章 TensorFlow和云服务

12.1 云端深度学习

12.2 云端虚拟机

12.3 云端的Jupyter Notebook

12.4 用于生产的TensorFlow Extended

12.5 TensorFlow企业版

12.6 小结

12.7 参考文献

第13章 用于移动设备和物联网的TensorFlow以及TensorFlow.js

13.1 TensorFlow Mobile

13.2 TensorFlow Lite

13.3 TensorFlow Lite中的预训练模型

13.4 边缘联合学习概述

13.5 TensorFlow.js

13.6 小结

13.7 参考文献

第14章 AutoML简介

14.1 什么是AutoML

14.2 实现AutoML

14.3 自动数据准备

14.4 自动特征工程

14.5 自动模型生成

14.6 AutoKeras

14.7 Google Cloud AutoML

14.8 将Google AutoML集成到Kaggle

14.9 小结

14.10 参考文献

第15章 深度学习相关的数学知识

15.1 历史

15.2 数学工具

15.3 激活函数

15.4 反向传播

15.5 关于反向传播和卷积的思考

15.6 关于反向传播和RNN的思考

15.7 关于TensorFlow和自动区分的说明

15.8 小结

15.9 参考文献

第16章 张量处理单元

16.1 CPU、GPU与TPU

16.2 三代TPU和边缘TPU

16.3 TPU性能

16.4 如何在Colab中使用TPU

16.5 使用预训练的TPU模型

16.6 使用TensorFlow 2.1和夜间版

16.7 小结