深度學(xué)習(xí)：基于Python語言和TensorFlow平臺視

深度學(xué)習(xí)：基于Python語言和TensorFlow平臺（視讀書筆記模板01思維導(dǎo)圖目錄分析讀書筆記內(nèi)容摘要作者介紹精彩摘錄目錄0305020406思維導(dǎo)圖語言深度神經(jīng)網(wǎng)絡(luò)模型和平臺訓(xùn)練過程語言小結(jié)神經(jīng)網(wǎng)絡(luò)模型問題數(shù)據(jù)訓(xùn)練預(yù)測準(zhǔn)備概念優(yōu)化器第章本書關(guān)鍵字分析思維導(dǎo)圖內(nèi)容摘要內(nèi)容摘要人工智能極簡歷史、開發(fā)環(huán)境準(zhǔn)備、初識TensorFlow、簡化神經(jīng)網(wǎng)絡(luò)模型、用神經(jīng)網(wǎng)絡(luò)解決非線性問題、從文件中載入訓(xùn)練數(shù)據(jù)、多層全連接神經(jīng)網(wǎng)絡(luò)、保存和載入訓(xùn)練過程、查看圖形化的模型、用訓(xùn)練好的模型進(jìn)行預(yù)測、用高層工具簡化建模和訓(xùn)練過程、在其它語言中調(diào)用TensorFlow模型、用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識別、循環(huán)神經(jīng)網(wǎng)絡(luò)初步、下一步學(xué)習(xí)方向指南目錄分析1.1重要的奠基時期1.2人工智能的誕生1.3第一個快速發(fā)展期1.4人工智能的第一個寒冬1.5人工智能研究的沉默探索與復(fù)蘇12345第1章人工智能極簡歷史1.6人工智能的第二個冬天1.7再一次騰飛1.8未來展望1.9本章小結(jié)：歷史指引未來第1章人工智能極簡歷史2.1安裝Python2.2安裝TensorFlow2.3打造更舒適的開發(fā)環(huán)境2.4知識背景準(zhǔn)備第2章開發(fā)環(huán)境準(zhǔn)備3.1三好學(xué)生成績問題的引入3.2搭建解決三好學(xué)生成績問題的神經(jīng)網(wǎng)絡(luò)3.3訓(xùn)練神經(jīng)網(wǎng)絡(luò)3.4本章小結(jié)：解決的第一個問題3.5練習(xí)12345第3章初識TensorFlow4.1在程序運(yùn)行中查看變量取值4.2張量概念的引入4.3用向量重新組織輸入數(shù)據(jù)4.4簡化的神經(jīng)網(wǎng)絡(luò)模型4.5概念補(bǔ)充——標(biāo)量、多維數(shù)組等12345第4章簡化神經(jīng)網(wǎng)絡(luò)模型4.6在TensorFlow中查看和設(shè)定張量的形態(tài)4.7用softmax函數(shù)來規(guī)范可變參數(shù)4.8本章小結(jié)：線性問題4.9練習(xí)第4章簡化神經(jīng)網(wǎng)絡(luò)模型5.1非線性問題的引入5.3準(zhǔn)備訓(xùn)練數(shù)據(jù)5.2設(shè)計(jì)神經(jīng)網(wǎng)絡(luò)模型第5章用神經(jīng)網(wǎng)絡(luò)解決非線性問題5.4完整的訓(xùn)練代碼5.5進(jìn)階：批量生成隨機(jī)訓(xùn)練數(shù)據(jù)5.6本章小結(jié)：非線性問題5.7練習(xí)第5章用神經(jīng)網(wǎng)絡(luò)解決非線性問題6.2加載文件中的訓(xùn)練數(shù)據(jù)6.1用純文本文件準(zhǔn)備訓(xùn)練數(shù)據(jù)第6章從文件中載入訓(xùn)練數(shù)據(jù)6.4練習(xí)6.3本章小結(jié)：讀取訓(xùn)練數(shù)據(jù)最常用的方式第6章從文件中載入訓(xùn)練數(shù)據(jù)7.1身份證問題的引入7.3單層網(wǎng)絡(luò)的模型7.2問題分析第7章多層全連接神經(jīng)網(wǎng)絡(luò)7.4多層全連接神經(jīng)網(wǎng)絡(luò)7.5身份證問題新模型的代碼實(shí)現(xiàn)7.6進(jìn)一步優(yōu)化模型和代碼7.7本章小結(jié)：多層、全連接、線性與非線性7.8練習(xí)12345第7章多層全連接神經(jīng)網(wǎng)絡(luò)8.1保存訓(xùn)練過程8.3通過命令行參數(shù)控制是否強(qiáng)制重新開始訓(xùn)練8.2載入保存的訓(xùn)練過程并繼續(xù)訓(xùn)練第8章保存和載入訓(xùn)練過程8.4訓(xùn)練過程中手動保存8.5保存訓(xùn)練過程前征得同意8.6本章小結(jié)：善于利用保存和載入訓(xùn)練過程8.7練習(xí)第8章保存和載入訓(xùn)練過程9.1數(shù)據(jù)流圖的概念9.2用TensorBoard查看數(shù)據(jù)流圖9.3控制TensorBoard圖中對象的名稱9.4本章小結(jié)：圖形化的模型9.5練習(xí)12345第9章查看圖形化的模型10.1從命令行參數(shù)讀取需要預(yù)測的數(shù)據(jù)10.3從任意字符串中讀取數(shù)據(jù)進(jìn)行預(yù)測10.2從文件中讀取數(shù)據(jù)進(jìn)行預(yù)測第10章用訓(xùn)練好的模型進(jìn)行預(yù)測10.5練習(xí)10.4本章小結(jié)：預(yù)測與訓(xùn)練的區(qū)別第10章用訓(xùn)練好的模型進(jìn)行預(yù)測11.1Keras框架介紹11.2用Keras實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)模型11.3用Keras進(jìn)行預(yù)測11.4保存和載入Keras模型第11章用高級工具簡化建模和訓(xùn)練過程11.6練習(xí)11.5本章小結(jié)：方便與靈活度的取舍第11章用高級工具簡化建模和訓(xùn)練過程12.1如何保存模型12.2在Java語言中載入TensorFlow模型并進(jìn)行預(yù)測計(jì)算12.3在Go語言中載入TensorFlow模型并進(jìn)行預(yù)測計(jì)算12.4本章小結(jié)：僅能預(yù)測第12章在其他語言中調(diào)用TensorFlow模型13.1情憑誰來定錯對——一首歌引出的對錯問題13.3用卷積網(wǎng)絡(luò)實(shí)現(xiàn)圖像識別13.2卷積神經(jīng)網(wǎng)絡(luò)介紹第13章用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識別13.5練習(xí)13.4本章小結(jié)：進(jìn)一步優(yōu)化的方向第13章用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像識別14.1循環(huán)神經(jīng)網(wǎng)絡(luò)簡介14.2長短期記憶模型LSTM的作用14.3匯率預(yù)測問題的引入14.4用于匯率預(yù)測的LSTM神經(jīng)網(wǎng)絡(luò)模型14.5實(shí)現(xiàn)匯率預(yù)測LSTM網(wǎng)絡(luò)的代碼14.6用循環(huán)神經(jīng)網(wǎng)絡(luò)來進(jìn)行自然語言處理010302040506第14章循環(huán)神經(jīng)網(wǎng)絡(luò)初探14.8練習(xí)14.7本章小結(jié)：時序有關(guān)問題第14章循環(huán)神經(jīng)網(wǎng)絡(luò)初探15.1優(yōu)化器的作用15.2梯度下降算法15.3學(xué)習(xí)率的影響15.4主流優(yōu)化方法介紹第15章優(yōu)化器的選擇與設(shè)置15.6本章小結(jié)：渡河之筏15.5優(yōu)化器效率對比第15章優(yōu)化器的選擇與設(shè)置16.1更多的激活函數(shù)16.2更多的隱藏層類型16.3確定最適合的神經(jīng)網(wǎng)絡(luò)類型16.4GPU版本第16章下一步學(xué)習(xí)方向指南16.5有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)16.6深度學(xué)習(xí)進(jìn)階16.7升級到最新的TensorFlow版本16.8本章小結(jié)：最后的實(shí)例第16章下一步學(xué)習(xí)方向指南作者介紹同名作者介紹這是《深度學(xué)習(xí)：基于Python語言和TensorFlow平臺（視頻講解版）》的讀書筆記模板，暫無該書作者的介紹。讀書筆記讀書筆記這是《深度學(xué)習(xí)：基于P