基 礎 篇
第1章 緒論 1
1．1 人工智能簡介 1
1．1．1 人工智能的概念 1
1．1．2 現代人工智能的興起 5
1．1．3 人工智能的學術流派 5
1．2 人工智能的發(fā)展歷史 8
1．2．1 孕育期（1956年之前） 8
1．2．2 形成期（1956～1969年） 9
1．2．3 發(fā)展期（1970年之后） 11
1．3 人工智能技術的研究內容與應用領域 13
1．3．1 神經網絡 14
1．3．2 機器學習 15
1．3．3 模式識別 15
1．3．4 自然語言理解 16
1．3．5 專家系統(tǒng) 17
1．3．6 博弈 17
1．3．7 智能控制 18
1．3．8 其他 18
1．4 人工智能與TensorFlow 18
1．4．1 機器學習與深度學習 18
1．4．2 TensorFlow概念 20
1．4．3 TensorFlow的應用 23
第2章 Python基礎應用 25
2．1 引言 25
2．2 Python的安裝 25
2．3 數據類型與數據結構 29
2．4 數字 29
2．5 變量及其命名規(guī)則 29
2．6 語句和表達式 30
2．7 字符串 31
2．8 容器 32
2．8．1 列表 32
2．8．2 元組 35
2．8．3 字典 35
2．8．4 復制 36
2．9 函數 38
2．9．1 常用內置函數及高階函數 38
2．9．2 用戶自定義函數 42
2．10 常用庫 43
2．10．1 時間庫 43
2．10．2 科學計算庫（NumPy） 47
2．10．3 可視化繪圖庫（Matplotlib） 54
2．10．4 鎖與線程 58
2．10．5 多線程編程 59
第3章 TensorFlow基礎 62
3．1 TensorFlow的架構 62
3．2 TensorFlow的開發(fā)環(huán)境搭建 66
3．3 數據流圖簡介 77
3．3．1 數據流圖基礎 77
3．3．2 節(jié)點的依賴關系 80
3．4 TensorFlow中定義數據流圖 83
3．4．1 構建一個TensorFlow數據流圖 83
3．4．2 張量思維 87
3．4．3 張量的形狀 90
3．4．4 TensorFlow的Op 91
3．4．5 TensorFlow的Graph對象 93
3．4．6 TensorFlow的Session 94
3．4．7 輸入與占位符 97
3．4．8 Variable對象 98
3．5 通過名稱作用域組織數據流圖 100
3．6 構建數據流圖 105
3．7 運行數據流圖 108
第4章 TensorFlow運作方式 114
4．1 數據的準備和下載 114
4．2 圖表構建與推理 115
4．2．1 圖表構建 115
4．2．2 推理 116
4．3 損失與訓練 117
4．3．1 損失 117
4．3．2 訓練 117
4．4 狀態(tài)檢查與可視化 118
4．4．1 狀態(tài)檢查 118
4．4．2 狀態(tài)可視化 119
4．5 評估模型 120
4．6 評估圖表的構建與輸出 123
4．6．1 評估圖表的構建 123
4．6．2 評估圖表的輸出 123
實 戰(zhàn) 篇
第5章 MNIST機器學習 125
5．1 MNIST數據集簡介 125
5．2 MNIST數據下載 127
5．2．1 數據的準備 129
5．2．2 數據重構 130
5．2．3 數據集對象 130
5．3 softmax回歸模型簡介 131
5．4 模型的訓練與評估 132
5．5 TensorFlow模型基本步驟 135
5．6 構建softmax回歸模型 135
第6章 卷積神經網絡 138
6．1 卷積神經網絡 138
6．2 卷積神經網絡的模型架構 142
6．2．1 ImageNet-2010網絡結構 142
6．2．2 DeepID網絡結構 143
6．3 卷積運算 144
6．3．1 輸入和卷積核 145
6．3．2 降維 145
6．3．3 填充 145
6．3．4 數據格式 145
6．4 卷積常見層 146
6．4．1 卷積層 146
6．4．2 池化層 149
6．4．3 歸一化 150
6．4．4 高級層 151
6．5 TensorFlow和圖像 152
6．5．1 圖像加載 152
6．5．2 圖像格式 152
6．5．3 圖像操作 152
6．5．4 顏色空間變換 153
6．6 模型訓練 153
6．7 模型評估 154
6．8 多GPU的模型訓練 154
第7章 字詞的向量表示 155
7．1 WordEmbedding的基本概念和知識 156
7．2 Skip-Gram模型 158
7．2．1 數據集的準備 160
7．2．2 模型結構 161
7．2．3 處理噪聲對比 162
7．2．4 模型訓練 163
7．3 嵌套學習可視化與評估 164
7．4 優(yōu)化實現 166
第8章 遞歸神經網絡 168
8．1 遞歸神經網絡的架構 169
8．2 PTB數據 170
8．3 模型及LSTM 170
8．3．1 LSTM的概念 172
8．3．2 LSTM的結構 173
8．3．3 LSTM的控制門 173
8．4 反向傳播的截斷 175
8．5 輸入與損失函數 175
8．6 多個LSTM層堆疊 175
8．7 代碼的編譯與運行 176
第9章 Mandelbrot集合 177
9．1 庫的導入 178
9．2 會話和變量初始化 179
9．3 定義并運行計算 179
第10章 偏微分方程模擬仿真 180
10．1 計算函數的定義 180
10．2 偏微分方程的定義 182
10．3 仿真 183
第11章 人臉識別 185
11．1 人臉識別概念 185
11．2 人臉識別的流程 188
11．2．1 人臉圖像的采集 188
11．2．2 人臉圖像的檢測 189
11．2．3 人臉圖像的預處理 189
11．2．4 人臉圖像的特征提取 189
11．2．5 人臉圖像的匹配與識別 190
11．2．6 活體鑒別 190
11．3 人臉識別種類 190
11．3．1 人臉檢測 190
11．3．2 人臉關鍵點檢測 191
11．3．3 人臉驗證 194
11．4 人臉檢測 194
11．4．1 LFW數據集 194
11．4．2 數據預處理與檢測 195
11．5 性別和年齡識別 196
11．5．1 數據預處理 198
11．5．2 模型構建 198
11．5．3 模型訓練 203
11．5．4 模型驗證 204
鄂公網安備 42010302001612號 