深度神經網絡（Deep Neural Network，DNN），也稱深度學習，是人工智慧領域的重要分支，是目前許多AI應用的基礎。自從深度學習在語音識別和圖像識別任務中取得突破性成果後，使用深度學習的應用數量開始呈爆炸式增加。深度學習方法被大量應用在身份識別、無人駕駛、癌症檢測、遊戲AI等方面，甚至在許多領域，深度神經網絡的準確度已經超過人類自身的操作。
深度學習的數學原理並不複雜，但它的一些設計思想很巧妙。入門深度學習，在數學方面只要知道如何對函數求導以及知道與矩陣相乘相關的知識即可。深度學習的入門門檻甚至比傳統機器學習算法還要低。
本書以TensorFlow作為使用工具，從簡單的加法運算操作開始，介紹TensorFlow環境的搭建、基本使用方法，然後實現一個最簡單的只有兩個參數的模型，接著實現圖像識別、語音識別、自然語言處理等一些高級應用。書中還用4章內容介紹深度神經網絡的原理和應用。
TensorFlow是2015年年底開源的一套深度學習框架，也是目前最活躍的深度學習框架之一。
《TensorFlow深度學習及實踐》從深度學習的基礎講起，深入TensorFlow的基本框架、原理、原始碼和實現等各個方面，其目的在於降低學習門檻，為讀者解決問題提供詳細的方法和指導。
主要內容包括：人工智慧簡介，TesnorFlow的環境搭建、可視化、基礎知識、聚類分析、回歸分析、支持向量機，TensorFlow實現卷積神經網絡、循環神經網絡、深度神經網絡等。
《TensorFlow深度學習及實踐》適合作為對深度學習感興趣的初學者的參考用書，也適合作為人工智慧、計算機等相關專業深度學習課程的教材。
人工智慧簡介
TensorFlow環境搭建
TensorFlow可視化
TensorFlow基礎知識
TensorFlow聚類分析
TensorFlow回歸分析
TensorFlow支持向量機
深度神經網絡基礎知識
TensorFlow實現卷積神經網絡
TensorFlow實現循環神經網絡
TensorFlow實現深度神經網絡
既有原理介紹，又有實戰操作，使讀者在實踐中掌握相關知識，並為解決問題提供詳細的方法。
不僅給出了70多個實例幫助讀者理解概念，還提供了綜合案例，如圖像識別、語音識別、自然語言處理等方面的應用。（3）使用TensorFlow庫實現各種模型，這樣可以降低學習門檻，即使沒有深度學習基礎的讀者也可以快速上手。註：配套資源可在清華大學出版社官方網站本書頁面下載。第1章人工智慧簡介
1.1什麼是人工智慧
1.2AlphaGo的原理簡介
1.2.1MCTS算法
1.2.2AlphaGo的基本原理
1.3什麼是深度學習
1.4深度學習的方法
1.5TensorFlow是什麼
1.5.1TensorFlow的特點
1.5.2TensorFlow的使用公司和使用對象
1.5.3為什麼Google要開源這個神器
1.6其他深度學習框架
1.7小結
1.8習題
第2章TensorFlow環境搭建
2.1安裝環境介紹
2.1.1CUDA簡介
2.1.2cuDNN簡介
2.1.3查看GPU信息
2.2安裝TensorFlow
2.2.1下載TensorFlow
2.2.2基於pip的安裝
2.2.3基於Java的安裝
2.2.4從原始碼安裝
2.3其他模塊
2.3.1numpy模塊
2.3.2matplotlib模塊
2.3.3jupyter模塊
2.3.4scikit-image模塊
2.3.5librosa模塊
2.3.6nltk模塊
2.3.7keras模塊
2.3.8tflearn模塊
2.4文本編輯器
2.4.1Geany
2.4.2Sublime Text
2.4.3IDLE
2.4.4PyCharm
2.5TensorFlow測試樣本
2.6小結
2.7習題
第3章TensorFlow可視化
3.1PlayGround
3.1.1數據
3.1.2特徵
3.1.3隱藏層
3.1.4輸出
3.2TensorBoard
3.3TensorBoard代碼
3.4小結
3.5習題
第4章TensorFlow基礎知識
4.1張量
4.1.1張量的屬性
4.1.2張量的創建
4.1.3TensorFlow的交互式運行
4.2數據流圖
4.3操作
4.4會話
4.5變量
4.5.1初始化
4.5.2形變
4.5.3數據類型與維度
4.5.4其他操作
4.5.5共享變量
4.6矩陣的創建與操作
4.7模型的保存與讀取
4.7.1保存模型
4.7.2載入模型
4.7.3從磁碟讀取信息
4.8批標準化
4.9使用GPU
4.9.1指定GPU設備
4.9.2指定GPU的顯存佔用
4.10神經元函數
4.10.1激活函數
4.10.2卷積函數
4.10.3分類函數
4.11優化方法
4.12隊列與線程
4.12.1隊列
4.12.2隊列管理器
4.12.3線程和協調器
4.13讀取數據源
4.13.1placeholder填充數據
4.13.2文件讀入數據
4.13.3預先讀入內存方式
4.14創建分類器
4.15小結
4.16習題
第5章TensorFlow聚類分析
5.1無監督學習
5.2聚類的概念
5.3k均值聚類算法
5.3.1k均值聚類算法迭代判據
5.3.2k均值聚類算法的機制
5.3.3k均值聚類算法的優缺點
5.3.4k均值聚類算法的實現
5.4k最近鄰算法
5.4.1實例分析
5.4.2k最近鄰算法概述
5.4.3模型和三要素
5.4.4kNN算法的不足
5.5k均值聚類算法的典型應用
5.5.1實例： 對人工數據集使用k均值聚類算法
5.5.2實例： 對人工數據集使用k最近鄰算法
5.5.3實例： 對圖像識別使用k最近鄰算法
5.6小結
5.7習題
第6章TensorFlow回歸分析
6.1求逆矩陣
6.2矩陣分解
6.3實例：TensorFlow實現線性回歸算法
6.4選擇損失函數
6.4.1最小化損失函數
6.4.2實例：TensorFlow實現線性回歸損失函數
6.5TensorFlow的其他回歸算法
6.5.1戴明回歸算法
6.5.2嶺回歸與lasso回歸算法
6.5.3彈性網絡回歸算法
6.6邏輯回歸分析
6.6.1邏輯回歸
6.6.2損失函數
6.6.3實例：TensorFlow實現邏輯回歸算法
6.7小結
6.8習題
第7章TensorFlow支持向量機
7.1支持向量機簡介
7.1.1幾何間隔和函數間隔
7.1.2最大化間隔
7.1.3軟間隔
7.1.4SMO算法
7.1.5核函數
7.1.6實例：TensorFlow實現支持向量機
7.2非線性支持向量機
7.2.1風險最小化
7.2.2VC維
7.2.3結構風險最小化
7.2.4鬆弛變量
7.2.5實例：TensorFlow實現非線性支持向量機
7.3實例：TensorFlow實現多類支持向量機
7.4小結
7.5習題
第8章深度神經網絡基礎知識
8.1神經元
8.1.1神經元的結構
8.1.2神經元的功能
8.2簡單神經網絡
8.3深度神經網絡
8.4梯度下降
8.4.1批量梯度下降法
8.4.2隨機梯度下降法
8.4.3小批量梯度下降法
8.4.4實例： 梯度下降法
8.5前向傳播
8.5.1前向傳播算法數學原理
8.5.2DNN的前向傳播算法
8.6後向傳播
8.6.1求導鏈式法則
8.6.2後向傳播算法思路
8.6.3後向傳播算法的計算過程
8.6.4實例： 實現一個簡單的二值分類算法
8.7優化函數
8.7.1隨機梯度下降優化法
8.7.2動量優化法
8.7.3Adagrad優化法
8.7.4Adadelta優化法
8.7.5Adam優化法
8.8實例：TensorFlow實現簡單深度神經網絡
8.9小結
8.10習題
第9章TensorFlow實現卷積神經網絡
9.1卷積神經網絡的概述
9.1.1什麼是卷積神經網絡
9.1.2為什麼要用卷積神經網絡
9.1.3卷積神經網絡的結構
9.1.4實例： 簡單卷積神經網絡的實現
9.2卷積神經網絡的函數
9.3AlexNet
9.4TensorFlow實現ResNet
9.4.1ResNet的基本原理
9.4.2實例：TensorFlow實現ResNet
9.5TesnorFlow卷積神經網絡的典型應用
9.6反卷積神經網絡
9.6.1反卷積原理
9.6.2反卷積操作
9.6.3實例：TensorFlow實現反卷積
9.6.4反池化原理
9.6.5實例：TensorFlow實現反池化
9.6.6偏導計算
9.6.7梯度停止
9.7深度學習的訓練技巧
9.7.1優化卷積核技術
9.7.2多通道卷積技術
9.8小結
9.9習題
第10章TensorFlow實現循環神經網絡
10.1循環神經網絡的概述
10.1.1循環神經網絡的結構
10.1.2實例： 簡單循環神經網絡的實現
10.2長短時記憶網絡
10.2.1LSTM的網絡結構
10.2.2LSTM的前向計算
10.2.3實例：LSTM的實現
10.3自然語言建模
10.4實例：BiRNN實現語音識別
10.4.1語音識別背景
10.4.2獲取並整理樣本
10.4.3訓練模型
10.5Seq2Seq任務
10.5.1Seq2Seq任務介紹
10.5.2Encoder-Decoder框架
10.5.3實例：TensorFlow實現Seq2Seq翻譯
10.5.4實例： 比特幣市場的分析與預測
10.6小結
10.7習題
第11章TensorFlow實現深度神經網絡
11.1深度神經網絡的起源
11.2模型介紹
11.2.1AlexNet模型
11.2.2VGG模型
11.2.3GoogleNet模型
11.2.4殘差網絡
11.2.5Inception-ResNet-v2結構
11.2.6其他的深度神經網絡結構
11.3實例：VGG藝術風格轉移
11.4生成式對抗網絡
11.4.1GAN的理論知識
11.4.2生成式模型的應用
11.4.3discriminator和generator損失計算
11.4.4基於深度卷積的GAN
11.4.5指定類別生成模擬樣本的GAN
11.5實例： 構建InfoGAN生成MNIST模擬數據
11.6小結
11.7習題
參考文獻
《TensorFlow深度學習及實踐》重點介紹採用TensorFlow解決深度學習相關問題等內容，對深度學習的原理與編程做了循序漸進的講解，強調理論聯繫實際，提供了大量數據集，並以代碼的形式實現了深度學習模型，供讀者參考。
——張金昌 中山大學
《TensorFlow深度學習及實踐》的指導思想是在掌握深度學習的基本知識和特性的基礎上，培養讀者使用TensorFlow進行實際編程以解決深度學習相關問題的能力。全書力求通過通俗易懂的語言和詳細的程序分析介紹TensorFlow的基本用法、高級模型設計和對應的程序編寫。
——胡海生 華南理工大學
TensorFlow是目前機器學習、深度學習領域優秀的計算系統之一，《TensorFlow深度學習及實踐》旨在幫助讀者以快速、有效的方式上手TensorFlow和深度學習，從實際應用問題出發，通過具體的TensorFlow實例介紹如何使用深度學習解決實際問題。
——齊剛 西北大學
《TensorFlow深度學習及實踐》不僅講解了深度學習基礎原理，還講解了深度學習框架和TensorFlow的基本使用方法，通過實例講解使用TensorFlow進行機器學習、深度學習的詳細方法和步驟。
——王海 廣東工業大學
點擊下方圖書封面觀看《TensorFlow深度學習及實踐》圖書京東詳情頁面。
掃碼優惠購書
您若是教師，可按以下方式申請圖書
（1）關注「人工智慧科學與技術」公眾號，將本篇文章分享至朋友圈；
（2）填寫申請表：打開「人工智慧科學與技術」公眾號菜單欄，點擊 【圖書】→【圖書申請】進入申請表。
（3）申請人須是普通高校教師並擔任所申請樣書對應課程，申請表中需要上傳相近課程的教學大綱證明身份。
（點擊下方圖片可查看詳情）
如您想表達任何看法歡迎留下評論
公眾號留言區
AI學習相伴，你「在看」嗎↓