深度學習入門與實戰：基於TensorFlow（簡體書）

TensorFlow由美國谷歌公司開發和維護，被廣泛應用於各類機器學習算法的編程實現。
本書緊密圍繞代表性的深度學習應用――手寫數字識別，逐層介紹構成神經網絡的各個節點的功能，並用TensorFlow編寫示例代碼對各部分的工作原理加以驗證，從根本上理解深度學習。
本書非常適合深度學習的初學者，而非專門從事機器學習和數據分析的專家。

中井悅司：1971年4月生於日本大阪市。現任某大型搜索系統公司的雲解決方案架構師，致力於傳播機器學習等知識，並積極地將自己的經驗傳授給年輕的程序員們。著作有《Linux系統網絡管理技術》《Linux系統架構和應用技巧》《機器學習入門之道》等。

第 1章 深度學習與TensorFlow
1.1　深度學習概覽
1.1.1　機器學習的基本模型
1.1.2　神經網絡的必要性
1.1.3　深度學習的特點
1.1.4　參數優化
1.2　環境準備
1.2.1　基於CentOS 7環境的安裝步驟
1.2.2　Jupyter的使用方法
1.3　TensorFlow概覽
1.3.1　用多維數組表示模型
1.3.2　TensorFlow 代碼實現
1.3.3　通過Session執行訓練
第　2章 分類算法基礎
2.1　邏輯回歸之二元分類器
2.1.1　利用概率進行誤差評價
2.1.2　通過TensorFlow執行最大似然估計
2.1.3　通過測試集驗證
2.2　Softmax函數與多元分類器
2.2.1　線性多元分類器的結構
2.2.2　通過Softmax 函數進行概率轉換
2.3　應用多元分類器進行手寫數字識別
2.3.1　MNIST數據集的使用方法
2.3.2　圖片數據的分類算法
2.3.3　TensorFlow執行訓練
2.3.4　小批量梯度下降法和隨機梯度下降法
第3章　應用神經網絡進行分類
3.1　單層神經網絡的構成
3.1.1　使用單層神經網絡的二元分類器
3.1.2　隱藏層的作用
3.1.3　改變節點數和激活函數後的效果
3.2　應用單層神經網絡進行手寫數字分類
3.2.1　應用單層神經網絡的多元分類器
3.2.2　通過TensorBoard確認網絡圖
3.3　擴展為多層神經網絡
3.3.1　多層神經網絡的效果
3.3.2　基於特徵變量的分類邏輯
3.3.3　補充：參數向極小值收斂的例子
第4章　卷積核提取圖片特徵
4.1　卷積核的功能
4.1.1　卷積核示例
4.1.2　在TensorFlow中運用卷積核
4.1.3　通過池化層縮小圖片
4.2　應用卷積核進行圖片分類
4.2.1　應用特徵變量進行圖片分類
4.2.2　卷積核的動態學習
4.3　應用卷積核進行手寫數字識別分類
4.3.1　保存Session信息的功能
4.3.2　通過單層CNN對手寫數字進行識別分類
4.3.3　確認動態學習的卷積核
第5章　應用卷積核多層化實現性能提升
5.1　完成卷積神經網絡
5.1.1　通過多層卷積核抽取特徵
5.1.2　用TensorFlow實現多層CNN
5.1.3　自動識別手寫數字應用
5.2　延伸閱讀
5.2.1　CIFAR-10（彩色圖片數據集）的分類延伸
5.2.2　通過“A Neural Network Playground”進行直觀理解
5.2.3　補充：反向傳播算法中的梯度計算
附錄A　Mac OS X和Windows環境的安裝方法
A.1　Mac OS X環境的準備步驟
A.2　Windows 10環境的準備步驟
附錄B　Python 2的基本語法
B.1　Hello, World!
B.2　字符串
B.3　列表與詞典
B.4　控制語句
B.5　函數與模塊
附錄C　數學公式