从张量到TensorFlow实现中文pdf完整版

图解深度学习与神经网络  从张量到TensorFlow实现 中文pdf完整版
以TensorFlow 为工具介绍神经网络和深度学习的入门书，内容循序渐进，以简单示例和图例的形式，展示神经网络和深度学习背后的数学基础原理，帮助读者更好地理解复杂抽象的公式。同时，采用手动计算和程序代码这两种方式讲解示例，可以更好地帮助读者理解TensorFlow 的常用函数接口，为读者掌握利用TensorFlow 搭建人工智能项目打下良好的基础。

目录

1 深度学习及TensorFlow 简介1

1.1 深度学习  1

1.2 TensorFlow 简介及安装  2

2 基本的数据结构及运算6

2.1 张量   6

2.1.1 张量的定义   6

2.1.2 Tensor 与Numpy 的ndarray 转换  9

2.1.3 张量的尺寸   10

2.1.4 图像转换为张量  13

2.2 随机数   14

2.2.1 均匀（平均）分布随机数   14

2.2.2 正态（高斯）分布随机数   15

2.3 单个张量的运算  17

2.3.1 改变张量的数据类型   17

2.3.2 访问张量中某一个区域的值   19

2.3.3 转置   22

2.3.4 改变形状  26

2.3.5 归约运算：求和、平均值、最大（小）值   29

2.3.6 最大（小）值的位置索引   34

2.4 多个张量之间的运算   35

2.4.1 基本运算：加、减、乘、除   35

2.4.2 乘法   41

2.4.3 张量的连接   42

2.4.4 张量的堆叠   44

2.4.5 张量的对比   48

2.5 占位符   49

2.6 Variable 对象  50

3 梯度及梯度下降法52

3.1 梯度   52

3.2 导数计算的链式法则   53

3.2.1 多个函数和的导数   54

3.2.2 复合函数的导数  54

3.2.3 单变量函数的驻点、极值点、鞍点   55

3.2.4 多变量函数的驻点、极值点、鞍点   57

3.2.5 函数的泰勒级数展开   60

3.2.6 梯度下降法   63

3.3 梯度下降法   73

3.3.1 Adagrad 法   73

3.3.2 Momentum 法   75

3.3.3 NAG 法   77

3.3.4 RMSprop 法  78

3.3.5 具备动量的RMSprop 法   80

3.3.6 Adadelta 法   81

3.3.7 Adam 法  82

3.3.8 Batch 梯度下降  84

3.3.9 随机梯度下降   85

3.3.10 mini-Batch 梯度下降  86

3.4 参考文献  86

4 回归分析88

4.1 线性回归分析   88

4.1.1 一元线性回归   88

4.1.2 保存和加载回归模型   91

4.1.3 多元线性回归   95

4.2 非线性回归分析  99

5 全连接神经网络102

5.1 基本概念  102

5.2 计算步骤  104

5.3 神经网络的矩阵表达   107

5.4 激活函数  112

5.4.1 sigmoid 激活函数   112

5.4.2 tanh 激活函数   113

5.4.3 ReLU 激活函数  114

5.4.4 leaky relu 激活函数  115

5.4.5 elu 激活函数  118

5.4.6 crelu 激活函数   119

5.4.7 selu 激活函数   120

5.4.8 relu6 激活函数   121

5.4.9 softplus 激活函数   121

5.4.10 softsign 激活函数   122

5.5 参考文献  123

6 神经网络处理分类问题125

6.1 TFRecord 文件   125

6.1.1 将ndarray 写入TFRecord 文件  125

6.1.2 从TFRecord 解析数据  128

6.2 建立分类问题的数学模型   134

6.2.1 数据类别（标签）  134

6.2.2 图像与TFRecrder  135

6.2.3 建立模型  140

6.3 损失函数与训练模型   143

6.3.1 sigmoid 损失函数   143

6.3.2 softmax 损失函数   144

6.3.3 训练和评估模型  148

6.4 全连接神经网络的梯度反向传播   151

6.4.1 数学原理及示例  151

6.4.2 梯度消失  166

7 一维离散卷积168

7.1 一维离散卷积的计算原理   168

7.1.1 full 卷积  169

7.1.2 valid 卷积  170

7.1.3 same 卷积   170

7.1.4 full、same、valid 卷积的关系  171

7.2 一维卷积定理   174

7.2.1 一维离散傅里叶变换   174

7.2.2 卷积定理  177

7.3 具备深度的一维离散卷积   182

7.3.1 具备深度的张量与卷积核的卷积   182

7.3.2 具备深度的张量分别与多个卷积核的卷积   183

7.3.3 多个具备深度的张量分别与多个卷积核的卷积   185

8 二维离散卷积187

8.1 二维离散卷积的计算原理   187

8.1.1 full 卷积  187

8.1.2 same 卷积   189

8.1.3 valid 卷积  191

8.1.4 full、same、valid 卷积的关系  192

8.1.5 卷积结果的输出尺寸   193

8.2 离散卷积的性质  194

8.2.1 可分离的卷积核  194

8.2.2 full 和same 卷积的性质  195

8.2.3 快速计算卷积   197

8.3 二维卷积定理   198

8.3.1 二维离散傅里叶变换   198

8.3.2 二维与一维傅里叶变换的关系  201

8.3.3 卷积定理  203

8.3.4 利用卷积定理快速计算卷积   203

8.4 多深度的离散卷积   205

8.4.1 基本的多深度卷积   205

8.4.2 一个张量与多个卷积核的卷积  207

8.4.3 多个张量分别与多个卷积核的卷积   208

8.4.4 在每一深度上分别卷积  211

8.4.5 单个张量与多个卷积核在深度上分别卷积   212

8.4.6 分离卷积  214

9 池化操作218

9.1 same 池化  218

9.1.1 same 最大值池化   218

9.1.2 多深度张量的same 池化   221

9.1.3 多个三维张量的same 最大值池化  223

9.1.4 same 平均值池化   224

9.2 valid 池化  226

9.2.1 多深度张量的vaild 池化   228

9.2.2 多个三维张量的valid 池化  229

10 卷积神经网络231

10.1 浅层卷积神经网络   231

10.2 LeNet   238

10.3 AlexNet  244

10.3.1 AlexNet 网络结构详解  244

10.3.2 dropout 及其梯度下降   247

10.4 VGGNet  256

10.5 GoogleNet   264

10.5.1 网中网结构   264

10.5.2 Batch Normalization   269

10.5.3 BN 与卷积运算的关系  273

10.5.4 指数移动平均   275

10.5.5 带有BN 操作的卷积神经网络  276

10.6 ResNet   281

10.7 参考文献  284

11 卷积的梯度反向传播286

11.1 valid 卷积的梯度  286

11.1.1 已知卷积核，对未知张量求导  286

11.1.2 已知输入张量，对未知卷积核求导   290

11.2 same 卷积的梯度  294

11.2.1 已知卷积核，对输入张量求导  294

11.2.2 已知输入张量，对未知卷积核求导   298

12 池化操作的梯度303

12.1 平均值池化的梯度   303

12.2 最大值池化的梯度   306

13 BN 的梯度反向传播311

13.1 BN 操作与卷积的关系   311

13.2 示例详解  314

14 TensorFlow 搭建神经网络的主要函数324
链接：https://pan.baidu.com/s/1Oz_bNOrnn81R3xMWTdqtLA 提取码：34ab