基於 TensorFlow 的深度學習 : 揭示數據隱含的奧秘

Dan Van Boxel是一位擁有10多年開發經驗的數據分析師和機器學習工程師，其具代表性的工作是Dan Dose Data，這是一個在YouTube上演示神經網絡強大功能和缺陷的直播平臺。作者已開發出多種有關機器學習的新統計模型，並應用於高速運輸貨車計費、行
程時間異常檢驗等領域。另外，作者還在美國交通研究委員會和其他學術期刊上發表了學術論文並給出了研究結果。

譯者序
原書前言
第1章入門知識// 1 
1.1 TensorFlow安裝// 1 
1.1.1 TensorFlow-主界面// 1 
1.1.2 TensorFlow-安裝頁面// 1 
1.1.3通過pip安裝// 1 
1.1 .4通過CoCalc安裝// 4 
1.2簡單計算// 6 
1.2.1定義標量和張量// 6 
1.2.2張量計算// 7 
1.2.3執行計算// 7 
1.2.4張量變量// 8 
1.2.5查看和替換中間值// 9 
1.3邏輯回歸模型建模// 10 
1.3.1導入字體分類數據集// 11 
1.3.2邏輯回歸分析// 13 
1.3.3數據準備// 13 
1.3 .4構建TensorFlow模型// 14 
1.4邏輯回歸模型訓練// 15 
1.4.1編寫損失函數// 15 
1.4.2訓練模型// 16 
1.4.3評估模型精度// 17 
1.5小結// 19 

第2章深度神經網絡// 20 
2.1基本神經網絡// 20
2.1.1 log函數// 21 
2.1.2 sigmoid函數// 22 
2.2單隱層模型// 23 
2.2.1單隱層模型探討// 24 
2.2.2反向傳播算法// 25 
2.3單隱層模型解釋// 26 
2.3.1理解模型權重// 28 
2.4多隱層模型// 29 
2.4.1多隱層模型探討// 30 
2.5多隱層模型結果// 32 
2.5.1多隱層模型圖理解// 33 
2.6小結// 36 

第3章捲積神經網絡// 37 
3.1捲積層激勵// 37 
3.1.1多特徵提取// 40 
3.2捲積層應用// 41 
3.2.1捲積層探討// 41 
3.3池化層激勵// 46 
3.3.1最大池化層// 46 
3.4池化層應用// 49 
3.5深度捲積神經網絡// 51 
3.5.1添加捲積層和池化層組合// 51 
3.5.2應用捲積神經網絡進行字體分類// 53 
3.6更深度捲積神經網絡// 57 
3.6.1對捲積神經網絡中的一層添加另
一層// 57 
基於TensorFlow的深度學習：
揭示數據隱含的奧秘
X 
3.7整理總結深度捲積神經網絡// 60 
3.8小結// 64 

第4章遞歸神經網絡// 65 
4.1遞歸神經網絡探討// 65 
4.1.1權重建模// 66 
4.1 .2遞歸神經網絡理解// 67 
4.2 TensorFlow Learn // 70 
4.2.1設置// 71 
4.2.2邏輯回歸// 72 
4.3深度神經網絡// 73 
4.3.1捲積神經網絡在Learn中的
應用/ / 74 
4.3.2權重提取// 77 
4.4小結// 78 

第5章總結整理// 79 
5.1研究評價// 79 
5.2所有模型的快速回顧// 80 
5.2.1邏輯回歸模型// 80 
5.2.2單隱層神經網絡模型// 81 
5.2.3深度神經網絡// 83 
5.2.4捲積神經網絡// 84 
5.2.5深度捲積神經網絡// 85 
5.3 TensorFlow的展望// 87 
5.3.1一些TensorFlow工程項目// 88 
5.4小結// 90