深度学习入门与实战 基于TensorFlow

当我们开始学习编程语言的时候，通常*个程序就是打印“Hello World!”。在深度学习中，MNIST数据集就相当于Hello World。
本书以运用卷积神经网络识别手写数字为例，逐层剖析机器学习结构，将理论分析与代码实践相结合并一一对应，讲解细致，循序渐进，非常适合深度学习的初学者。
本书中使用的代码在GitHub上都有公开，可供读者下载。 

TensorFlow由美国谷歌公司开发和维护，被广泛应用于各类机器学习算法的编程实现。
本书紧密围绕代表性的深度学习应用——手写数字识别，逐层介绍构成神经网络的各个节点的功能，并用TensorFlow编写示例代码对各部分的工作原理加以验证，从根本上理解深度学习。
本书非常适合深度学习的初学者，而非专门从事机器学习和数据分析的专家。

中井悦司：1971年4月生于日本大阪市。现任某大型搜索系统公司的云解决方案架构师，致力于传播机器学习等知识，并积极地将自己的经验传授给年轻的程序员们。著作有《Linux系统网络管理技术》《Linux系统架构和应用技巧》《机器学习入门之道》等。

第 1章 深度学习与TensorFlow

1.1　深度学习概览

1.1.1　机器学习的基本模型

1.1.2　神经网络的必要性

1.1.3　深度学习的特点

1.1.4　参数优化

1.2　环境准备

1.2.1　基于CentOS 7环境的安装步骤

1.2.2　Jupyter的使用方法

1.3　TensorFlow概览

1.3.1　用多维数组表示模型

1.3.2　TensorFlow 代码实现

1.3.3　通过Session执行训练

第　2章 分类算法基础

2.1　逻辑回归之二元分类器

2.1.1　利用概率进行误差评价

2.1.2　通过TensorFlow执行最大似然估计

2.1.3　通过测试集验证

2.2　Softmax函数与多元分类器

2.2.1　线性多元分类器的结构

2.2.2　通过Softmax 函数进行概率转换

2.3　应用多元分类器进行手写数字识别

2.3.1　MNIST数据集的使用方法

2.3.2　图片数据的分类算法

2.3.3　TensorFlow执行训练

2.3.4　小批量梯度下降法和随机梯度下降法

第3章　应用神经网络进行分类

3.1　单层神经网络的构成

3.1.1　使用单层神经网络的二元分类器

3.1.2　隐藏层的作用

3.1.3　改变节点数和激活函数后的效果

3.2　应用单层神经网络进行手写数字分类

3.2.1　应用单层神经网络的多元分类器

3.2.2　通过TensorBoard确认网络图

3.3　扩展为多层神经网络

3.3.1　多层神经网络的效果

3.3.2　基于特征变量的分类逻辑

3.3.3　补充：参数向极小值收敛的例子

第4章　卷积核提取图片特征

4.1　卷积核的功能

4.1.1　卷积核示例

4.1.2　在TensorFlow中运用卷积核

4.1.3　通过池化层缩小图片

4.2　应用卷积核进行图片分类

4.2.1　应用特征变量进行图片分类

4.2.2　卷积核的动态学习

4.3　应用卷积核进行手写数字识别分类

4.3.1　保存Session信息的功能

4.3.2　通过单层CNN对手写数字进行识别分类

4.3.3　确认动态学习的卷积核

第5章　应用卷积核多层化实现性能提升

5.1　完成卷积神经网络

5.1.1　通过多层卷积核抽取特征

5.1.2　用TensorFlow实现多层CNN

5.1.3　自动识别手写数字应用

5.2　延伸阅读

5.2.1　CIFAR-10（彩色图片数据集）的分类延伸

5.2.2　通过“A Neural Network Playground”进行直观理解

5.2.3　补充：反向传播算法中的梯度计算

附录A　Mac OS X和Windows环境的安装方法

A.1　Mac OS X环境的准备步骤

A.2　Windows 10环境的准备步骤

附录B　Python 2的基本语法

B.1　Hello, World!

B.2　字符串

B.3　列表与词典

B.4　控制语句

B.5　函数与模块

附录C　数学公式