前言第一部分　Python及应用数学基础第1章　NumPy常用操作 21.1　生成ndarray的几种方式 31.2　存取元素 51.3　矩阵操作 61.4　数据合并与展平 71.5　通用函数 91.6　广播机制 111.7　小结 12第2章　Theano基础 132.1　安装 142.2　符号变量 152.3　符号计算图模型 172.4　函数 182.5　条件与循环 212.6　共享变量 232.7　小结 24第3章　线性代数 253.1　标量、向量、矩阵和张量 253.2　矩阵和向量运算 283.3　特殊矩阵与向量 293.4　线性相关性及向量空间 313.5　范数 323.6　特征值分解 333.7　奇异值分解 343.8　迹运算 353.9　实例：用Python实现主成分分析 363.10　小结 39第4章　概率与信息论 404.1　为何要学概率、信息论 404.2　样本空间与随机变量 414.3　概率分布 424.3.1　离散型随机变量 424.3.2　连续型随机变量 454.4　边缘概率 474.5　条件概率 474.6　条件概率的链式法则 484.7　独立性及条件独立性 484.8　期望、方差及协方差 494.9　贝叶斯定理 524.10　信息论 534.11　小结 56第5章　概率图模型 575.1　为何要引入概率图 575.2　使用图描述模型结构 585.3　贝叶斯网络 595.3.1　隐马尔可夫模型简介 605.3.2　隐马尔可夫模型三要素 605.3.3　隐马尔可夫模型三个基本问题 615.3.4　隐马尔可夫模型简单实例 625.4　马尔可夫网络 645.4.1　马尔可夫随机场 645.4.2　条件随机场 655.4.3　实例：用Tensorflow实现条件随机场 665.5　小结 70第二部分　深度学习理论与应用第6章　机器学习基础 726.1　监督学习 726.1.1　线性模型 736.1.2　SVM 776.1.3　贝叶斯分类器 796.1.4　集成学习 816.2　无监督学习 846.2.1　主成分分析 846.2.2　k-means聚类 846.3　梯度下降与优化 856.3.1　梯度下降简介 866.3.2　梯度下降与数据集大小 876.3.3　传统梯度优化的不足 896.3.4　动量算法 906.3.5　自适应算法 926.3.6　有约束最优化 956.4　前馈神经网络 966.4.1　神经元结构 976.4.2　感知机的局限 986.4.3　多层神经网络 996.4.4　实例：用TensorFlow实现XOR 1016.4.5　反向传播算法 1036.5　实例：用Keras构建深度学习架构 1096.6　小结 109第7章　深度学习挑战与策略 1107.1　正则化 1107.1.1　正则化参数 1117.1.2　增加数据量 1157.1.3　梯度裁剪 1167.1.4　提前终止 1167.1.5　共享参数 1177.1.6　Dropout 1177.2　预处理 1197.2.1　初始化 1207.2.2　归一化 1207.3　批量化 1217.3.1　随机梯度下降法 1217.3.2　批标准化 1227.4　并行化 1247.4.1　TensorFlow利用GPU加速 1247.4.2　深度学习并行模式 1257.5　选择合适的激活函数 1277.6　选择合适代价函数 1287.7　选择合适的优化算法 1297.8　小结 130第8章　安装TensorFlow 1318.1　TensorFlow CPU版的安装 1318.2　TensorFlow GPU版的安装 1328.3　配置Jupyter Notebook 1368.4　实例：CPU与GPU性能比较 1378.5　实例：单GPU与多GPU性能比较 1388.6　小结 140第9章　TensorFlow基础 1419.1　TensorFlow系统架构 1419.2　数据流图 1439.3　TensorFlow基本概念 1449.3.1　张量 1449.3.2　算子 1459.3.3　计算图 1469.3.4　会话 1469.3.5　常量 1489.3.6　变量 1499.3.7　占位符 1539.3.8　实例：比较constant、variable和placeholder 1549.4　TensorFlow实现数据流图 1569.5　可视化数据流图 1569.6　TensorFlow分布式 1589.7　小结 160第10章　TensorFlow图像处理 16210.1　加载图像 16210.2　图像格式 16310.3　把图像转换为TFRecord文件 16410.4　读取TFRecord文件 16510.5　图像处理实例 16610.6　全新的数据读取方式—Dataset API 17010.6.1　Dataset API 架构 17010.6.2　构建Dataset 17110.6.3　创建迭代器 17410.6.4　从迭代器中获取数据 17410.6.5　读入输入数据 17510.6.6　预处理数据 17510.6.7　批处理数据集元素 17610.6.8　使用高级API 17610.7　小结 177第11章　TensorFlow神经元函数 17811.1　激活函数 17811.1.1　sigmoid函数 17911.1.2　tanh函数 17911.1.3　relu函数 18011.1.4　softplus函数 18111.1.5　dropout函数 18111.2　代价函数 18111.2.1　sigmoid_cross_entropy_with_logits函数 18211.2.2　softmax_cross_entropy_with_logits函数 18311.2.3　sparse_softmax_cross_entropy_with_logits函数 18411.2.4　weighted_cross_entropy_with_logits函数 18411.3　小结 185第12章　TensorFlow自编码器 18612.1　自编码简介 18612.2　降噪自编码 18812.3　实例：TensorFlow实现自编码 18812.4　实例：用自编码预测信用卡欺诈 19112.5　小结 197第13章　TensorFlow实现Word2Vec 19813.1　词向量及其表达 19813.2　Word2Vec原理 19913.2.1　CBOW模型 20013.2.2　Skim-gram模型 20013.3　实例：TensorFlow实现Word2Vec 20113.4　小结 206第14章　TensorFlow卷积神经网络 20714.1　卷积神经网络简介 20714.2　卷积层 20814.2.1　卷积核 20914.2.2　步幅 21114.2.3　填充 21214.2.4　多通道上的卷积 21314.2.5　激活函数 21414.2.6　卷积函数 21514.3　池化层 21614.4　归一化层 21714.5　TensorFlow实现简单卷积神经网络 21814.6　TensorFlow实现进阶卷积神经网络 21914.7　几种经典卷积神经网络 22314.8　小结 224第15章　TensorFlow循环神经网络 22615.1　循环神经网络简介 22615.2　前向传播与随时间反向传播 22815.3　梯度消失或爆炸 23115.4　LSTM算法 23215.5　RNN其他变种 23515.6　RNN应用场景 23615.7　实例：用LSTM实现分类 23715.8　小结 241第16章　TensorFlow高层封装 24216.1　TensorFlow高层封装简介 24216.2　Estimator简介 24316.3　实例：使用Estimator预定义模型 24516.4　实例：使用Estimator自定义模型 24716.5　Keras简介 25216.6　实例：Keras实现序列式模型 25316.7　TFLearn简介 25516.7.1　利用TFLearn解决线性回归问题 25616.7.2　利用TFLearn进行深度学习 25616.8　小结 257第17章　情感分析 25817.1　深度学习与自然语言处理 25817.2　词向量简介 25917.3　循环神经网络 26017.4　迁移学习简介 26117.5　实例：TensorFlow实现情感分析 26217.5.1　导入数据 26217.5.2　定义辅助函数 26717.5.3　构建RNN模型 26717.5.4　调优超参数 26917.5.5　训练模型 27017.6　小结 272第18章　利用TensorFlow预测乳腺癌 27318.1　数据说明 27318.2　数据预处理 27418.3　探索数据 27618.4　构建神经网络 27918.5　训练并评估模型 28118.6　小结 283第19章　聊天机器人 28419.1　聊天机器人原理 28419.2　带注意力的框架 28619.3　用TensorFlow实现聊天机器人 28919.3.1　接口参数说明 29019.3.2　训练模型 29319.4　小结 302第20章　人脸识别 30320.1　人脸识别简介 30320.2　项目概况 30620.3　实施步骤 30720.3.1　数据准备 30720.3.2　预处理数据 30720.3.3　训练模型 30920.3.4　测试模型 31320.4　小结 316第三部分　扩展篇第21章　强化学习基础 31821.1　强化学习简介 31821.2　强化学习常用算法 32021.2.1　Q-Learning算法 32021.2.2　Sarsa算法 32221.2.3　DQN算法 32221.3　小结 324第22章　生成式对抗网络 32522.1　GAN简介 32522.2　GAN的改进版本 32722.3　小结 329