第1章 緒論 1 1.1　機(jī)器學(xué)習(xí)簡介　1 1.2　機(jī)器學(xué)習(xí)流程　2 1.3　深度學(xué)習(xí)簡介　3 第2章　TensorFlow簡介與環(huán)境搭建　4 2.1　TensorFlow簡介　4 2.2　TensorFlow 的語言支持　4 2.3　TensorFlow的安裝和環(huán)境配置　5 2.3.1　Python安裝　5 2.3.2　CUDA與CUDNN安裝　11 2.4　TensorFlow安裝　12 2.4.1　pip安裝　12 2.4.2　Docker安裝　13 2.5　測試TensorFlow　13 第3章　TensorFlow入門　14 3.1　TensorFlow靜態(tài)圖模式　14 3.1.1　TensorFlow中的張量類型　14 3.1.2　TensorFlow的操作符簡介　17 3.1.3　TensorFlow的Graph和 Session　23 3.2　TensorFlow動(dòng)態(tài)圖模式　27 3.3　TensorFlow 損失函數(shù)　28 3.3.1　交叉熵　28 3.3.2　均方誤差　29 3.3.3　KL散度　29 3.4　TensorFlow優(yōu)化器　30 3.5　TensorFlow訓(xùn)練數(shù)據(jù)輸入　33 3.5.1　tf.data.Dataset　33 3.5.2　tf.data.Iterator　35 第4章　聚類算法　37 4.1　聚類算法簡介　37 4.2　k均值聚類算法　38 4.2.1　算法步驟　38 4.2.2　準(zhǔn)則函數(shù)　39 4.2.3　算法改進(jìn)　39 4.3　k中心聚類算法　43 4.3.1　準(zhǔn)則函數(shù)　43 4.3.2　算法步驟　43 4.3.3　算法對比　43 第5章　分類算法　45 5.1　分類算法簡介　45 5.2　k近鄰算法　45 5.2.1　算法步驟　46 5.2.2　投票算法改進(jìn)　46 5.2.3　k參數(shù)選取　46 5.2.4　模型評(píng)價(jià)　47 5.3　樸素貝葉斯　49 5.3.1　算法步驟　50 5.3.2　概率處理　50 5.3.3　連續(xù)值概率計(jì)算　51 5.4　決策樹　53 5.4.1　分裂函數(shù)　53 5.4.2　特征為連續(xù)特征　54 5.4.3　決策樹終止條件　55 5.5　支持向量機(jī)　55 5.5.1　線性可分支持向量機(jī)　56 5.5.2　近似線性可分支持向量機(jī)　59 5.5.3　非線性支持向量機(jī)　60 5.5.4　常用核函數(shù)　60 5.5.5　多分類支持向量機(jī)　61 5.6　人工神經(jīng)網(wǎng)絡(luò)　61 5.6.1　激活函數(shù)　62 5.6.2　邏輯門設(shè)計(jì)　64 5.6.3　多層感知器　67 5.6.4　前向傳播算法　67 5.6.5　反向傳播算法　68 第6章　回歸算法　72 6.1　線性回歸　72 6.1.1　最小二乘法　72 6.1.2　廣義逆　74 6.1.3　嶺回歸與Lasso回歸　76 6.1.4　梯度求解算法　78 6.2　非線性回歸　84 6.2.1　指數(shù)變換　84 6.2.2　對數(shù)變換　85 6.2.3　冪等變換　85 6.2.4　多項(xiàng)式變換　85 6.3　邏輯回歸　85 6.3.1　二值邏輯回歸　86 6.3.2　多元邏輯回歸　89 6.4　決策樹回歸　91 6.4.1　代價(jià)函數(shù)　92 6.4.2　算法流程　92 6.4.3　舉例　93 6.5　梯度算法　94 6.5.1　隨機(jī)梯度下降法　95 6.5.2　牛頓法　96 第7章　MNIST數(shù)據(jù)集　99 7.1　MNIST數(shù)據(jù)集簡介　99 7.2　LeNet的實(shí)現(xiàn)與講解　101 7.2.1　網(wǎng)絡(luò)參數(shù)設(shè)置和輸入設(shè)置　101 7.2.2　LeNet網(wǎng)絡(luò)模型詳解　102 7.2.3　更簡潔的實(shí)現(xiàn)　107 7.2.4　softmax層和網(wǎng)絡(luò)更新方式　108 7.2.5　訓(xùn)練過程　108 7.3　FashionMNIST數(shù)據(jù)集　109 第8章　圖像分類　110 8.1　圖像分類的概念　110 8.2　圖像分類的常用網(wǎng)絡(luò)結(jié)構(gòu)　111 8.2.1　AlexNet網(wǎng)絡(luò)結(jié)構(gòu)　111 8.2.2　VGGNet網(wǎng)絡(luò)結(jié)構(gòu)　113 8.2.3　Network In Network網(wǎng)絡(luò) 結(jié)構(gòu)　114 8.2.4　GoogLeNet網(wǎng)絡(luò)結(jié)構(gòu)　117 8.2.5　ResNet網(wǎng)絡(luò)結(jié)構(gòu)　119 8.3　圖像多標(biāo)簽分類實(shí)例　121 8.3.1　使用TFRecord生成訓(xùn)練 數(shù)據(jù)　121 8.3.2　構(gòu)建多標(biāo)簽分類網(wǎng)絡(luò)　122 8.3.3　多標(biāo)簽?zāi)Ｐ陀?xùn)練模型　125 第9章　目標(biāo)檢測　127 9.1　目標(biāo)檢測的概念　127 9.1.1　Faster R-CNN　127 9.1.2　YOLO　128 9.1.3　SSD　130 9.2　基于SSD的目標(biāo)檢測實(shí)例　131 9.2.1　基于VGG的SSD網(wǎng)絡(luò)　131 9.2.2　坐標(biāo)和類別預(yù)測　133 9.2.3　多尺度的預(yù)測拼接　133 9.2.4　損失函數(shù)與模型訓(xùn)練　133 第10章　圖像檢索應(yīng)用　135 10.1　圖像檢索的基本概念　135 10.2　圖像檢索特征提取的常用方法　137 10.3　基于VGG的圖像檢索實(shí)例　140 10.3.1　使用TFRecord生成訓(xùn)練 數(shù)據(jù)　140 10.3.2　模型訓(xùn)練函數(shù)　141 10.3.3　檢索系統(tǒng)構(gòu)建　141 第11章　光學(xué)字符識(shí)別應(yīng)用　143 11.1　光學(xué)字符識(shí)別的概念　143 11.2　光學(xué)字符識(shí)別的常用算法與 流程　144 11.2.1　文本檢測環(huán)節(jié)　144 11.2.2　文本識(shí)別環(huán)節(jié)　145 11.3　基于CNN-RNN-CTC的光學(xué) 字符識(shí)別算法實(shí)例　146 11.3.1　光學(xué)字符識(shí)別訓(xùn)練數(shù)據(jù) 生成　146 11.3.2　使用TFRecord生成訓(xùn)練 數(shù)據(jù)　148 11.3.3　構(gòu)建基于CNN-RNN-CTC 的光學(xué)字符識(shí)別網(wǎng)絡(luò)　149 第12章　中文分詞　152 12.1　自然語言處理　152 12.2　中文分詞簡介　153 12.2.1　BMES　153 12.2.2　BM12ES　154 12.3　文字單元嵌入表達(dá)　154 12.3.1　文字單元的獨(dú)熱嵌入表達(dá)　154 12.3.2　word2Vector　155 12.3.3　word2Vector代碼實(shí)現(xiàn)　161