## 本书特色：
一.所有公式推导都有详细步骤，并解释每个符号。
二.注释每一行代码。
三. 程序皆为完整程序。本书一共82个代码应用案例，所有的代码都是可以从头到尾运行的完整程序，并附带真实运行结果。
四.一图胜千言。本书一共使用了约500张图片，在本书的创作过程中，大约有200个小时是花在画图以及思考如何画图上。
五.逻辑结构清晰，讲解细致。
本书介绍视频：[https://www.bilibili.com/video/BV19A411n7Fn](https://www.bilibili.com/video/BV19A411n7Fn)
## 免费人工智能慕课平台AI MOOC
AI MOOC是我自己创办的一个免费的人工智能慕课平台，网站地址为[https://mooc.ai-xlab.com](https://mooc.ai-xlab.com)。以后我会在上面不断更新最新的人工智能课程。我的目标是让所有人都能有机会学习到最前沿最好的人工智能课程。
如果大家觉得我创作的内容不错，可以帮我多多宣传，感谢。
## 书籍和资料百度云下载地址
链接:https://pan.baidu.com/s/1xAH1FxAv9r4W8gfXDoiyRw 密码:xrt7
## 免费人工智能技术交流QQ群：
人工智能与深度学习：616043628
## 本书目录
前言
第1章 深度学习背景介绍
 1.1 人工智能
 1.2 机器学习
  1.2.1 训练数据，验证数据和测试数据
  1.2.2 学习方式
  1.2.3 机器学习常用算法
 1.3 人工智能，机器学习，神经网络以及深度学习之间的关系
 1.4 深度学习应用
 1.5 神经网络深度学习发展史
  1.5.1 神经网络诞生-20时间40-60年代
  1.5.2 神经网络复兴-20时间80-90年代
  1.5.3 深度学习-2006年至今
 1.6 深度学习领域重要人物
 1.7 新一轮人工智能爆发的三要素
第2章 搭建Python编程环境
 2.1 Python介绍
 2.2 Anaconda安装
 2.3 Jupyter Notebook的简单使用
  2.3.1 启动Jupyter Notebook
  2.3.2 修改Jupyter Notebook默认启动路径
  2.3.3 Jupyter Notebook浏览器无法打开
  2.3.4 Jupyter Notebook基本操作
第3章 单层感知器与线性神经网络
 3.1 生物神经网络
 3.2 单层感知器
  3.2.1 单层感知器介绍
  3.2.2 单层感知器计算举例
  3.2.3 单层感知器的另一种表达形式
 3.3 单层感知器的学习规则
  3.3.1 单层感知器的学习规则介绍
  3.3.2 单层感知器的学习规则计算举例
 3.4 学习率
 3.5 模型的收敛条件
 3.6 模型的超参数和参数的区别
 3.7 单层感知器分类案例
 3.8 线性神经网络
  3.8.1 线性神经网络介绍
  3.8.2 线性神经网络分类案例
 3.9 线性神经网络处理异或问题
第4章 单层感知器与线性神经网络
 4.1 BP神经网络介绍及发展背景
 4.2 代价函数
 4.3 梯度下降法
  4.3.1 梯度下降法（Gradient Descent）介绍
  4.3.2 梯度下降法（Gradient Descent）二维例子
  4.3.3 梯度下降法（Gradient Descent）三维例子
 4.4 Delta学习规则
 4.5 常用激活函数讲解
  4.5.1 Sigmoid函数
  4.5.2 Tanh函数
  4.5.3 Softsign函数
  4.5.4 ReLU函数
 4.6 BP网络模型和公式推导
  4.6.1 BP网络模型
  4.6.2 BP算法推导
  4.6.3 BP算法推导补充说明
 4.7 BP算法推导结论总结
 4.8 梯度消失与梯度爆炸
  4.8.1 梯度消失
  4.8.2 梯度爆炸
  4.8.3 使用ReLU函数解决梯度消失和梯度爆炸的问题
 4.9 使用BP神经网络解决异或问题
 4.10 分类模型评估方法
  4.10.1 准确率/精确率/召回率/F1值
  4.10.2 混淆矩阵
 4.11 独热编码（One-Hot Encoding）
 4.12 BP神经网络完成手写数字识别
 4.13 Sklearn手写数字识别
第5章 深度学习框架Tensorflow基础使用
 5.1 Tensorflow介绍
  5.1.1 Tensorflow简介
  5.1.2 静态图和动态图机制Eager Execution
  5.1.3 tf.keras
 5.2 Tensorflow-cpu安装
  5.2.1 Tensorflow-cpu在线安装
  5.2.2 安装过程中可能遇到的问题汇总
  5.2.3 Tensorflow-cpu卸载
  5.2.4 Tensorflow-cpu更新
  5.2.5 Tensorflow-cpu指定版本的安装
 5.3 Tensorflow-gpu安装
  5.3.1 Tensorflow-gpu了解最新版本情况
  5.3.2 Tensorflow-gpu安装CUDA
  5.3.3 Tensorflow-gpu安装cuDNN库
  5.3.4 Tensorflow-gpu在线安装
  5.3.5 Tensorflow-gpu卸载
  5.3.6 Tensorflow-gpu更新
 5.4 Tensorflow基本概念
 5.5 Tensorflow基础使用
  5.5.1 TF1转TF2工具
  5.5.2 Tensorflow基本操作
  5.5.3 拟合线性函数
  5.5.4 拟合非线性函数
 5.6 手写数字图片分类任务
  5.6.1 MNIST数据集介绍
  5.6.2 Softmax函数介绍
  5.6.3 简单MNIST数据集分类模型-没有高级封装
  5.6.4 简单MNIST数据集分类模型-keras高级封装
第6章 网络优化方法
 6.1 交叉熵代价函数
  6.1.1 均方差代价函数的缺点
  6.1.2 引入交叉熵代价函数
  6.1.3 交叉熵代价函数推导过程
  6.1.4 Softmax与对数似然代价函数
  6.1.5 交叉熵程序
 6.2 过拟合（Over-Fitting）
  6.2.1 什么是过拟合
  6.2.2 抵抗过拟合的方法
 6.3 数据增强（Data Augmentation）
 6.4 提前停止训练（Early-Stopping）
 6.5 Dropout
  6.5.1 Dropout介绍
  6.5.2 Dropout程序
 6.6 正则化（Regularization）
  6.6.1 正则化介绍
  6.6.2 正则化程序
 6.7 标签平滑（Label Smoothing）
  6.7.1 标签平滑（Label Smoothing）介绍
  6.7.2 标签平滑（Label Smoothing）程序
 6.8 优化器（Optimizer）
  6.8.1 梯度下降法SGD
  6.8.2 Momentum
  6.8.3 NAG（Nesterov Accelerated Gradient）
  6.8.4 Adagrad
  6.8.5 Adadelta
  6.8.6 RMRprop
  6.8.7 Adam
  6.8.8 优化器程序
第7章 Tensorflow模型的保存和载入
 7.1 交叉熵代价函数
  7.1.1 Keras保存模型
  7.1.2 Keras载入模型
 7.2 SavedModel模型保存和载入
  7.2.1 SavedModel保存模型
  7.2.2 SavedModel载入模型
 7.3 单独保存模型结构
  7.3.1 保存模型结构
  7.3.2 载入模型结构
 7.4 单独保存模型参数
  7.4.1 保存模型参数
  7.4.2 载入模型参数
 7.5 ModelCheckpoint自动保存模型
 7.6 Checkpoint模型保存和载入
  7.6.1 Checkpoint模型保存
  7.6.2 Checkpoint模型载入
第8章 卷积神经网络CNN
 8.1 计算机视觉介绍
  8.1.1 计算机视觉应用介绍
  8.1.2 计算机视觉技术介绍
 8.2 卷积神经网络简介
  8.2.1 BP神经网络存在的问题
  8.2.2 局部感受野和权值共享
 8.3 卷积的具体计算
 8.4 卷积的步长
 8.5 不同的卷积核
 8.6 池�
人工智能项目资料-基于Tensorflow2的深度学习开源书籍.zip
版权申诉
115 浏览量
2024-02-03
13:27:42
上传
评论
收藏 171.85MB ZIP 举报
人工智能项目资料-基于Tensorflow2的深度学习开源书籍.zip （279个子文件） 
weibo_senti_100k.csv 18.79MB 18-1 图像风格转换.ipynb 17.39MB 18-1 图像风格转换-checkpoint.ipynb 17.39MB 18-2 遮挡图像风格转换.ipynb 13.47MB 18-2 遮挡图像风格转换-checkpoint.ipynb 13.47MB 19-1 手写数字图像生成.ipynb 877KB 19-1 手写数字图像生成-checkpoint.ipynb 877KB 17-1 librosa基本操作.ipynb 758KB 17-1 librosa基本操作-checkpoint.ipynb 758KB 17-2 音频分类项目-模型训练.ipynb 637KB 17-2 音频分类项目-模型训练-checkpoint.ipynb 637KB 13-6 挑战变长验证码识别.ipynb 451KB 13-6 挑战变长验证码识别-checkpoint.ipynb 451KB 12-13 使用训练好的ResNet50进行图像识别.ipynb 409KB 12-13 使用训练好的ResNet50进行图像识别-checkpoint.ipynb 409KB 12-15 载入训练好的模型进行预测-checkpoint.ipynb 397KB 12-15 载入训练好的模型进行预测.ipynb 397KB 12-7 画出模型结构plot_model.ipynb 278KB 12-7 画出模型结构plot_model-checkpoint.ipynb 278KB 16-9 BERT电商用户多情绪判断-模型训练.ipynb 200KB 16-9 BERT电商用户多情绪判断-模型训练-checkpoint.ipynb 200KB 16-2 二维卷积中文微博情感分类.ipynb 177KB 13-4 自定义数据生成器-验证码识别.ipynb 132KB 13-4 自定义数据生成器-验证码识别-checkpoint.ipynb 132KB 13-9 CTC算法-验证码识别-模型预测-checkpoint.ipynb 125KB 13-9 CTC算法-验证码识别-模型预测.ipynb 125KB 13-8 CTC算法-验证码识别.ipynb 114KB 13-8 CTC算法-验证码识别-checkpoint.ipynb 114KB 12-10 ResNet50图像识别.ipynb 89KB 12-10 ResNet50图像识别-checkpoint.ipynb 89KB 13-5 自定义数据生成器-验证码识别-模型预测 .ipynb 75KB 13-5 自定义数据生成器-验证码识别-模型预测 -checkpoint.ipynb 75KB 13-7 变长验证码识别-模型预测.ipynb 72KB 13-7 变长验证码识别-模型预测-checkpoint.ipynb 72KB 13-3 tf.data-多任务学习-验证码识别-模型预测 .ipynb 70KB 13-3 tf.data-多任务学习-验证码识别-模型预测 -checkpoint.ipynb 70KB 12-8 GoogleNet图像识别.ipynb 69KB 12-8 GoogleNet图像识别-checkpoint.ipynb 69KB 8-2 识别自己写的数字图片.ipynb 66KB 8-2 识别自己写的数字图片-checkpoint.ipynb 66KB 16-5 堆叠双向LSTM中文分词标注.ipynb 65KB 16-5 堆叠双向LSTM中文分词标注-checkpoint.ipynb 65KB 12-9 BN-CIFAR10图像分类.ipynb 60KB 12-9 BN-CIFAR10图像分类-checkpoint.ipynb 60KB 16-1 一维卷积英语电影评论情感分类.ipynb 57KB 16-1 一维卷积英语电影评论情感分类-checkpoint.ipynb 57KB 13-2 tf.data-多任务学习-验证码识别-checkpoint.ipynb 56KB 13-2 tf.data-多任务学习-验证码识别.ipynb 56KB 12-4 VGG16图像识别.ipynb 50KB 12-4 VGG16图像识别-checkpoint.ipynb 50KB 12-11 ResNeXt50(32×4d)图像识别.ipynb 48KB 12-11 ResNeXt50(32×4d)图像识别-checkpoint.ipynb 48KB 12-12 SE-ResNet50图像识别.ipynb 48KB 12-12 SE-ResNet50图像识别-checkpoint.ipynb 48KB 12-3 AlexNet图像识别.ipynb 48KB 12-3 AlexNet图像识别-checkpoint.ipynb 48KB 5-5 非线性回归.ipynb 41KB 5-5 非线性回归-checkpoint.ipynb 41KB 6-5 MNIST数据集分类模型-正则化.ipynb 39KB 6-5 MNIST数据集分类模型-正则化-checkpoint.ipynb 39KB 6-6 MNIST手写数字识别-标签平滑label_smoothing.ipynb 34KB 6-6 MNIST手写数字识别-标签平滑label_smoothing-checkpoint.ipynb 34KB 6-4 MNIST数据集分类模型-Dropout.ipynb 34KB 6-4 MNIST数据集分类模型-Dropout-checkpoint.ipynb 34KB 16-4 双向LSTM中文微博情感分类.ipynb 33KB 16-4 双向LSTM中文微博情感分类-checkpoint.ipynb 33KB 12-14 使用VGG16完成迁移学习.ipynb 32KB 12-14 使用VGG16完成迁移学习-checkpoint.ipynb 32KB 4-3 BP网络完成手写数字识别.ipynb 30KB 4-3 BP网络完成手写数字识别-checkpoint.ipynb 30KB 5-4 拟合线性函数.ipynb 28KB 5-4 拟合线性函数-checkpoint.ipynb 28KB 8-3 CIFAR-10数据集分类.ipynb 28KB 8-3 CIFAR-10数据集分类-checkpoint.ipynb 28KB 6-1 MNIST数据集分类模型-交叉熵.ipynb 26KB 6-1 MNIST数据集分类模型-交叉熵-checkpoint.ipynb 26KB 6-7 MNIST数据集分类模型-优化器.ipynb 22KB 6-7 MNIST数据集分类模型-优化器-checkpoint.ipynb 22KB 4-1 BP神经网络解决异或问题.ipynb 18KB 4-1 BP神经网络解决异或问题-checkpoint.ipynb 18KB 9-1 LSTM网络应用于MNIST数据集分类.ipynb 17KB 9-1 LSTM网络应用于MNIST数据集分类-checkpoint.ipynb 17KB 3-3 单层感知器案例.ipynb 17KB 3-3 单层感知器案例-checkpoint.ipynb 17KB 3-6 线性神经网络引入非线性特征解决异或问题.ipynb 16KB 3-6 线性神经网络引入非线性特征解决异或问题-checkpoint.ipynb 16KB Server-checkpoint.ipynb 16KB 20-2 客户端gRPC程序-checkpoint.ipynb 14KB 3-5 线性神经网络-异或问题.ipynb 13KB 3-5 线性神经网络-异或问题-checkpoint.ipynb 13KB 16-6 中文分词标注模型预测.ipynb 12KB 16-6 中文分词标注模型预测-checkpoint.ipynb 12KB 3-4 线性神经网络案例.ipynb 12KB 3-4 线性神经网络案例-checkpoint.ipynb 12KB 6-3 MNIST数据集分类模型-Early_Stopping.ipynb 10KB 6-3 MNIST数据集分类模型-Early_Stopping-checkpoint.ipynb 10KB 20-2 客户端gRPC程序.ipynb 9KB Client-checkpoint.ipynb 8KB 5-6 MNIST数据集分类模型-没有高级封装.ipynb 8KB 5-6 MNIST数据集分类模型-没有高级封装-checkpoint.ipynb 8KB共 279 条
- 1
- 2
- 3
资源评论
