序
第1章　TensorFlow基礎(chǔ) 1
1.1　張量 2
1.2　計(jì)算圖與會(huì)話 2
1.3　常量、占位符與變量 4
1.4　占位符 6
1.5　創(chuàng)建張量 8
1.5.1　固定張量 9
1.5.2　序列張量 11
1.5.3　隨機(jī)張量 11
1.6　矩陣操作 12
1.7　激活函數(shù) 13
1.7.1　雙曲正切函數(shù)與Sigmoid函數(shù) 13
1.7.2　ReLU與ELU 15
1.7.3　ReLU6 15
1.8　損失函數(shù) 17
1.8.1　損失函數(shù)實(shí)例 18
1.8.2　常用的損失函數(shù) 18
1.9　優(yōu)化器 19
1.9.1　優(yōu)化器實(shí)例 20
1.9.2　常用的優(yōu)化器 21
1.10　度量 21
??1.10.1　度量實(shí)例 22
??1.10.2　常用的度量 22
第2章　理解并運(yùn)用Keras 25
2.1　深度學(xué)習(xí)模型構(gòu)建的主要步驟 25
2.1.1　載入數(shù)據(jù) 26
2.1.2　預(yù)處理數(shù)據(jù) 27
2.1.3　定義模型 27
2.1.4　編譯模型 29
2.1.5　擬合模型 29
2.1.6　評(píng)估模型 30
2.1.7　預(yù)測(cè) 30
2.1.8　保存與重載模型 31
2.1.9　可選：總結(jié)模型 31
2.2　改進(jìn)Keras模型的附加步驟 32
2.3　Keras聯(lián)合TensorFlow 33
第3章　多層感知機(jī) 35
3.1　人工神經(jīng)網(wǎng)絡(luò) 35
3.2　單層感知機(jī) 37
3.3　多層感知機(jī) 37
3.4　邏輯斯諦回歸模型 38
第4章　TensorFlow中的回歸到MLP 45
4.1　TensorFlow搭建模型的步驟 45
4.2　TensorFlow中的線性回歸 46
4.3　邏輯斯諦回歸模型 49
4.4　TensorFlow中的多層感知機(jī) 52
第5章　Keras中的回歸到MLP 55
5.1　對(duì)數(shù)-線性模型 55
5.2　線性回歸的Keras神經(jīng)網(wǎng)絡(luò) 56
5.3　邏輯斯諦回歸 58
5.3.1scikit-learn邏輯斯諦回歸 58
5.3.2邏輯斯諦回歸的Keras神經(jīng)網(wǎng)絡(luò) 59
5.3.3流行的MNIST數(shù)據(jù)：Keras中的邏輯斯諦回歸 60
5.4　基于Iris數(shù)據(jù)的MLP 62
5.4.1　編寫(xiě)代碼 62
5.4.2構(gòu)建一個(gè)序列Keras模型 63
5.5基于MNIST數(shù)據(jù)的MLP數(shù)字分類(lèi) 66
5.6　基于隨機(jī)生成數(shù)據(jù)的MLP 68
第6章　卷積神經(jīng)網(wǎng)絡(luò) 71
6.1　CNN中的各種層 71
6.2　CNN結(jié)構(gòu) 74
第7章　TensorFlow中的CNN 77
7.1為什么用TensorFlow搭建CNN模型 77
7.2基于MNIST數(shù)據(jù)集搭建圖片分類(lèi)器的TensorFlow代碼 78
7.3　使用高級(jí)API搭建CNN模型 82
第8章　Keras中的CNN 83
8.1在Keras中使用MNIST數(shù)據(jù)集搭建圖片分類(lèi)器 83
8.1.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 85
8.1.2　定義模型架構(gòu) 85
8.2使用CIFAR-10數(shù)據(jù)集搭建圖片分類(lèi)器 86
8.2.1　定義網(wǎng)絡(luò)結(jié)構(gòu) 87
8.2.2　定義模型架構(gòu) 88
8.3　預(yù)訓(xùn)練模型 89
第9章　RNN與LSTM 91
9.1　循環(huán)神經(jīng)網(wǎng)絡(luò)的概念 91
9.2　長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)的概念 93
9.3　LSTM常見(jiàn)模式 93
9.4　序列預(yù)測(cè) 94
9.4.1　數(shù)字序列預(yù)測(cè) 94
9.4.2　序列分類(lèi) 95
9.4.3　序列生成 95
9.4.4　序列到序列預(yù)測(cè) 95
9.5利用LSTM模型處理時(shí)間序列預(yù)測(cè)問(wèn)題 96
第10章　語(yǔ)音-文本轉(zhuǎn)換及其逆過(guò)程 101
10.1　語(yǔ)音-文本轉(zhuǎn)換 101
10.2　語(yǔ)音數(shù)據(jù) 102
10.3語(yǔ)音特征：將語(yǔ)音映射為矩陣 103
10.4聲譜圖：將語(yǔ)音映射為圖像 104
10.5利用MFCC特征構(gòu)建語(yǔ)音識(shí)別分類(lèi)器 104
10.6利用聲譜圖構(gòu)建語(yǔ)音識(shí)別分類(lèi)器 105
10.7　開(kāi)源方法 106
10.8　使用API的例子 107
10.8.1　使用PocketSphinx 107
10.8.2使用Google Speech API 108
10.8.3使用Google Cloud Speech API 108
10.8.4　使用Wit.ai API 108
10.8.5　使用Houndify API 109
10.8.6使用IBM Speech to Text API 109
10.8.7使用Bing Voice Recognition API 110
10.9　文本-語(yǔ)音轉(zhuǎn)換 110
10.9.1　使用pyttsx 110
10.9.2　使用SAPI 111
10.9.3　使用SpeechLib 111
10.10　音頻剪輯代碼 111
10.11　認(rèn)知服務(wù)提供商 112
10.11.1　Microsoft Azure 113
10.11.2　Amazon Cognitive Services 113
10.11.3　IBM Watson Services 113
10.12　語(yǔ)音分析的未來(lái) 113
第11章　創(chuàng)建聊天機(jī)器人 115
11.1　為什么是聊天機(jī)器人 116
11.2　聊天機(jī)器人的設(shè)計(jì)和功能 116
11.3　構(gòu)建聊天機(jī)器人的步驟 116
11.3.1　預(yù)處理文本和消息 117
11.3.2用API構(gòu)建聊天機(jī)器人 130
11.4聊天機(jī)器人開(kāi)發(fā)的最佳實(shí)踐 133
11.4.1　了解潛在用戶 133
11.4.2讀入用戶情感使得機(jī)器人情感更豐富 133
第12章　人臉檢測(cè)與識(shí)別 135
12.1人臉檢測(cè)、人臉識(shí)別與人臉?lè)治? 135
12.2　OpenCV 136
12.2.1　特征臉 137
12.2.2　LBPH 137
12.2.3　費(fèi)歇臉 138
12.3　檢測(cè)人臉 139
12.4　跟蹤人臉 141
12.5　人臉識(shí)別 144
12.6　基于深度學(xué)習(xí)的人臉識(shí)別 147
12.7　遷移學(xué)習(xí) 149
12.7.1為什么要用遷移學(xué)習(xí) 150
12.7.2　遷移學(xué)習(xí)實(shí)例 150
12.7.3　計(jì)算遷移值 152
12.8　API 158
附錄1　圖像處理的Keras函數(shù) 161
附錄2　可用的優(yōu)質(zhì)圖像數(shù)據(jù)集 165
附錄3　醫(yī)學(xué)成像：DICOM文件格式 167