人工智能原理与实践：基于Python语言和TensorFlow

1、图书内容倡导并实践理论实践相结合的教学方式，鼓励并督促学生“学习和练习相结合，理论与 实践相结合”。针对图书所要求的理论与实践并重，两方面都要抓，两方面都要硬的要求，在实际教学过程中，除了基本的课堂授课以外，还会将知识点都设计并贯穿到实验中，当堂实验当堂讲解当堂掌握，让学生尽快掌握基本知识的应用。
2、将 Python语言内容加入课程中，使得学生能够学习了解到目前 IT领域内比较受欢迎的热门编程 语言。进一步扩宽学生的知识范围，并为以后的就业打下了扎实的理论和实践基础。
3、TensorFlow 使用 Python 来构建和执行 graphs、编写程序等工作。Python 作为一种流行的脚本语言，拥有免费、跨平台、简单易用、使用广泛等优点；将它应用在人工智能课程的实验项目上，可以明显减少花费在实验项目上的时间，用Python 语言所写的代码也更加易于阅读和维护；不需要学习庞大的AO 接口；能够快速简单的建立工作流；
4、本图书根据实际课程要求的培养目标，结合高校相关专业学生的实际情况，制定了具有鲜明自身特色的教学大纲，从知识的深度和广度两方面进一步针对目前流行的人工智能教材进行重新编写，使教材内容更加的通俗易懂，并具备向国内其他高校相关专业进行普及的特点。
5、在理论教学和实验教学的手段运用方面，将动画的形式融入到多媒体教学中，从而将计算机进行思维的过程和特点以及一些繁琐的算法推理，动态的展现给学生，进一步增强学生的学习兴趣，提高学生的学习积极性。
6.本课程是谷歌产学合作项目支持课程。 

本书是一本针对高校学生的绝佳TensorFlow学习教材。作者结合众多高质量的代码，生动讲解了TensorFlow的底层原理，并从实际应用问题入手，从实践的角度出发，通过具体的TensorFlow案例程序介绍常见的模型和应用解决办法。同时，在教材中还介绍了模型部署和编程过程中所用到的诸多开发技巧。是学习和掌握人工智能这个*、*火的IT领域的推荐图书。

张明 兰州交通大学电信学院教师，韩国釜山广域市国立釜庆大学获工学博士学位。
何艳珊 兰州交通大学电信学院教师，主要研究方向：数据挖掘与数据库。
杜永文，硕士生导师，兰州交通大学物联网工程实验室主任。2005年11月到兰州交通大学任教至今；2005年1月毕业于西北工业大学，并获工学博士学位。

基　础　篇

第1章　绪论　1

1.1　人工智能简介　1

1.1.1　人工智能的概念　1

1.1.2　现代人工智能的兴起　5

1.1.3　人工智能的学术流派　5

1.2　人工智能的发展历史　8

1.2.1　孕育期（1956年之前）　8

1.2.2　形成期（1956～1969年）　9

1.2.3　发展期（1970年之后）　11

1.3　人工智能技术的研究内容与应用领域　13

1.3.1　神经网络　14

1.3.2　机器学习　15

1.3.3　模式识别　15

1.3.4　自然语言理解　16

1.3.5　专家系统　17

1.3.6　博弈　17

1.3.7　智能控制　18

1.3.8　其他　18

1.4　人工智能与TensorFlow　18

1.4.1　机器学习与深度学习　18

1.4.2　TensorFlow概念　20

1.4.3　TensorFlow的应用　23

第2章　Python基础应用　25

2.1　引言　25

2.2　Python的安装　25

2.3　数据类型与数据结构　29

2.4　数字　29

2.5　变量及其命名规则　29

2.6　语句和表达式　30

2.7　字符串　31

2.8　容器　32

2.8.1　列表　32

2.8.2　元组　35

2.8.3　字典　35

2.8.4　复制　36

2.9　函数　38

2.9.1　常用内置函数及高阶函数　38

2.9.2　用户自定义函数　42

2.10　常用库　43

2.10.1　时间库　43

2.10.2　科学计算库（NumPy）　47

2.10.3　可视化绘图库（Matplotlib）　54

2.10.4　锁与线程　58

2.10.5　多线程编程　59

第3章　TensorFlow基础　62

3.1　TensorFlow的架构　62

3.2　TensorFlow的开发环境搭建　66

3.3　数据流图简介　77

3.3.1　数据流图基础　77

3.3.2　节点的依赖关系　80

3.4　TensorFlow中定义数据流图　83

3.4.1　构建一个TensorFlow数据流图　83

3.4.2　张量思维　87

3.4.3　张量的形状　90

3.4.4　TensorFlow的Op　91

3.4.5　TensorFlow的Graph对象　93

3.4.6　TensorFlow的Session　94

3.4.7　输入与占位符　97

3.4.8　Variable对象　98

3.5　通过名称作用域组织数据流图　100

3.6　构建数据流图　105

3.7　运行数据流图　108

第4章　TensorFlow运作方式　114

4.1　数据的准备和下载　114

4.2　图表构建与推理　115

4.2.1　图表构建　115

4.2.2　推理　116

4.3　损失与训练　117

4.3.1　损失　117

4.3.2　训练　117

4.4　状态检查与可视化　118

4.4.1　状态检查　118

4.4.2　状态可视化　119

4.5　评估模型　120

4.6　评估图表的构建与输出　123

4.6.1　评估图表的构建　123

4.6.2　评估图表的输出　123

实　战 篇

第5章　MNIST机器学习　125

5.1　MNIST数据集简介　125

5.2　MNIST数据下载　127

5.2.1　数据的准备　129

5.2.2　数据重构　130

5.2.3　数据集对象　130

5.3　softmax回归模型简介　131

5.4　模型的训练与评估　132

5.5　TensorFlow模型基本步骤　135

5.6　构建softmax回归模型　135

第6章　卷积神经网络　138

6.1　卷积神经网络　138

6.2　卷积神经网络的模型架构　142

6.2.1　ImageNet-2010网络结构　142

6.2.2　DeepID网络结构　143

6.3　卷积运算　144

6.3.1　输入和卷积核　145

6.3.2　降维　145

6.3.3　填充　145

6.3.4　数据格式　145

6.4　卷积常见层　146

6.4.1　卷积层　146

6.4.2　池化层　149

6.4.3　归一化　150

6.4.4　高级层　151

6.5　TensorFlow和图像　152

6.5.1　图像加载　152

6.5.2　图像格式　152

6.5.3　图像操作　152

6.5.4　颜色空间变换　153

6.6　模型训练　153

6.7　模型评估　154

6.8　多GPU的模型训练　154

第7章　字词的向量表示　155

7.1　WordEmbedding的基本概念和知识　156

7.2　Skip-Gram模型　158

7.2.1　数据集的准备　160

7.2.2　模型结构　161

7.2.3　处理噪声对比　162

7.2.4　模型训练　163

7.3　嵌套学习可视化与评估　164

7.4　优化实现　166

第8章　递归神经网络　168

8.1　递归神经网络的架构　169

8.2　PTB数据　170

8.3　模型及LSTM　170

8.3.1　LSTM的概念　172

8.3.2　LSTM的结构　173

8.3.3　LSTM的控制门　173

8.4　反向传播的截断　175

8.5　输入与损失函数　175

8.6　多个LSTM层堆叠　175

8.7　代码的编译与运行　176

第9章　Mandelbrot集合　177

9.1　库的导入　178

9.2　会话和变量初始化　179

9.3　定义并运行计算　179

第10章　偏微分方程模拟仿真　180

10.1　计算函数的定义　180

10.2　偏微分方程的定义　182

10.3　仿真　183

第11章　人脸识别　185

11.1　人脸识别概念　185

11.2　人脸识别的流程　188

11.2.1　人脸图像的采集　188

11.2.2　人脸图像的检测　189

11.2.3　人脸图像的预处理　189

11.2.4　人脸图像的特征提取　189

11.2.5　人脸图像的匹配与识别　190

11.2.6　活体鉴别　190

11.3　人脸识别种类　190

11.3.1　人脸检测　190

11.3.2　人脸关键点检测　191

11.3.3　人脸验证　194

11.4　人脸检测　194

11.4.1　LFW数据集　194

11.4.2　数据预处理与检测　195

11.5　性别和年龄识别　196

11.5.1　数据预处理　198

11.5.2　模型构建　198

11.5.3　模型训练　203

11.5.4　模型验证　204