TensorFlow与卷积神经网络从算法入门到项目实战【2025|PDF|Epub|mobi|kindle电子书版本百度云盘下载】

TensorFlow与卷积神经网络从算法入门到项目实战PDF格式电子书版下载

注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具

第一篇 TensorFlow基础篇2

第1章 绪论2

1.1 人工智能简介2

1.2 卷积神经网络3

1.3 搭建TensorFlow框架环境5

1.3.1 安装Anaconda5

1.3.2 安装TensorFlow7

第2章 TensorFlow基础入门9

2.1 第一个TensorFlow程序9

2.1.1 TensorFlow中的hello world9

2.1.2 TensorFlow中的图11

2.1.3 静态图与动态图14

2.2 初识Session15

2.2.1 将Session对象关联Graph对象15

2.2.2 Session参数配置17

2.3 常量与变量18

2.3.1 TensorFlow中的常量18

2.3.2 TensorFlow中的变量20

2.3.3 TensorFlow中的tf.placeholder28

2.4 Tensor对象29

2.4.1 什么是Tensor对象29

2.4.2 Python对象转Tensor对象31

2.4.3 Tensor对象转Python对象32

2.4.4 SparseTensor对象34

2.4.5 强制转换Tensor对象数据类型35

2.5 Operation对象37

2.5.1 什么是Operation对象37

2.5.2 获取并执行Operation对象37

2.6 TensorFlow流程控制40

2.6.1 条件判断tf.cond与tf.where40

2.6.2 TensorFlow比较判断43

2.6.3 TensorFlow逻辑运算44

2.6.4 循环tf.while＿loop45

2.7 TensorFlow位运算48

2.7.1 且位运算48

2.7.2 或位运算49

2.7.3 异或位运算50

2.7.4 取反位运算51

2.8 TensorFlow字符串52

2.8.1 字符串的定义与转换53

2.8.2 字符串拆分55

2.8.3 字符串拼接56

第3章 高维Tensor对象的工具函数58

3.1 重定义Shape58

3.1.1 Reshape原理58

3.1.2 函数tf.reshape59

3.1.3 使用Python实现Reshape60

3.2 维度交换函数62

3.2.1 Transpose原理62

3.2.2 函数tf.transpose63

3.2.3 使用Python实现Transpose64

3.3 维度扩充与消除65

3.3.1 函数tf.expand＿dims65

3.3.2 函数tf.squeeze66

3.4 Tensor对象裁剪68

3.4.1 Tensor对象裁剪原理68

3.4.2 函数tf.slice69

3.5 Tensor对象拼接70

3.5.1 Tensor对象拼接原理70

3.5.2 函数tf.concat使用71

3.6 tf.stack与tf.unstack72

3.6.1 函数tf.stack的原理72

3.6.2 函数tf.stack的使用73

3.6.3 函数tf.unstack的使用76

3.7 tf.argmax与tf.argmin79

3.7.1 函数tf.argmax与tf.argmin的原理79

3.7.2 函数tf.argmax与tf.argmin的使用79

第二篇 卷积神经网络篇83

第4章 前馈网络83

4.1 卷积83

4.1.1 卷积的原理83

4.1.2 输出宽高与输入、Stride、卷积核及Padding之间的关系90

4.1.3 空洞卷积92

4.1.4 在TensorFlow中使用卷积93

4.1.5 用Python语言实现卷积算法95

4.2 反卷积97

4.2.1 反卷积的原理97

4.2.2 输出宽高与输入、Stride、反卷积核及Padding之间的关系103

4.2.3 在TensorFlow中使用反卷积105

4.2.4 用Python语言实现反卷积算法110

4.3 Batch Normalization113

4.3.1 Batch Normalization的原理113

4.3.2 在TensorFlow中使用Batch Normalization114

4.3.3 用Python语言实现Batch Normalization122

4.3.4 在TensorFlow中使用Batch Normalization时的注意事项123

4.4 Instance Normalization125

4.4.1 Instance Normalization的原理125

4.4.2 在TensorFlow中使用Instance Normalization126

4.4.3 用Python语言实现Instance Normalization130

4.5 全连接层132

4.5.1 全连接层的原理132

4.5.2 在TensorFlow中使用全连接层133

4.5.3 用Python语言实现全连接层134

4.6 激活函数135

4.6.1 激活函数的作用135

4.6.2 Sigmoid函数136

4.6.3 Tanh函数138

4.6.4 ReLU函数140

4.7 池化层142

4.7.1 池化层的原理142

4.7.2 在TensorFlow中使用池化层146

4.7.3 用Python语言实现池化层150

4.8 Dropout153

4.8.1 Dropout的作用153

4.8.2 在TensorFlow中使用Dropout154

第5章 常见网络156

5.1 移动端定制卷积神经网络——MobileNet156

5.1.1 MobileNet的原理与优势156

5.1.2 在TensorFlow中实现MobileNet卷积158

5.1.3 用Python语言实现Depthwise卷积164

5.1.4 MobileNet完整的网络结构167

5.1.5 MobileNet V2进一步裁剪加速168

5.2 深度残差网络——ResNet171

5.2.1 ResNet的结构与优势171

5.2.2 在TensorFlow中实现ResNet172

5.2.3 完整的ResNet网络结构175

5.3 DenseNet176

5.3.1 DenseNet的结构与优势176

5.3.2 在TensorFlow中实现DenseNet177

5.3.3 完整的DenseNet网络结构180

第三篇 TensorFlow进阶篇183

第6章 TensorFlow数据存取183

6.1 队列183

6.1.1 构建队列183

6.1.2 Queue、QueueRunner及Coordinator190

6.1.3 在队列中批量读取数据194

6.2 文件存取200

6.2.1 读取文本文件200

6.2.2 读取定长字节文件202

6.2.3 读取图片205

6.3 从CSV文件中读取训练集207

6.3.1 解析CSV格式文件207

6.3.2 封装CSV文件读取类209

6.4 从自定义文本格式文件中读取训练集210

6.4.1 解析自定义文本格式文件211

6.4.2 封装自定义文本格式文件读取类212

6.5 TFRecord方式存取数据213

6.5.1 将数据写入TFRecord文件214

6.5.2 从TFRecord文件中读取数据215

6.6 模型存取217

6.6.1 存储模型217

6.6.2 从checkpoint文件中加载模型220

6.6.3 从meta文件中加载模型222

6.6.4 将模型导出为单个pb文件223

第7章 TensorFlow数据预处理226

7.1 随机光照变化226

7.1.1 随机饱和度变化226

7.1.2 随机色相变化228

7.1.3 随机对比度变化230

7.1.4 随机亮度变化232

7.1.5 随机伽玛变化234

7.2 翻转、转置与旋转237

7.2.1 随机上下、左右翻转237

7.2.2 随机图像转置239

7.2.3 随机旋转241

7.3 裁剪与Resize245

7.3.1 图像裁剪245

7.3.2 图像Resize249

7.3.3 其他Resize函数254

7.4 用OpenCV对图像进行动态预处理256

7.4.1 静态预处理与动态预处理256

7.4.2 在TensorFlow中调用OpenCV257

第8章 TensorFlow模型训练260

8.1 反向传播中的优化器与学习率260

8.1.1 Global Step与Epoch260

8.1.2 梯度理论260

8.1.3 使用学习率与梯度下降法求最优值262

8.1.4 TensorFlow中的优化器265

8.1.5 优化器中常用的函数265

8.1.6 在TensorFlow中动态调整学习率269

8.2 模型数据与参数名称映射273

8.2.1 通过名称映射加载273

8.2.2 以pickle文件为中介加载模型275

8.3 冻结指定参数277

8.3.1 从模型中加载部分参数277

8.3.2 指定网络层参数不参与更新278

8.3.3 两个学习率同时训练280

8.4 TensorFlow中的命名空间282

8.4.1 使用tf.variable＿scope添加名称前缀282

8.4.2 使用tf.name＿scope添加名称前缀284

8.4.3 tf.variable＿scope与tf.name＿scope的混合使用285

8.5 TensorFlow多GPU训练286

8.5.1 多GPU训练读取数据286

8.5.2 平均梯度与参数更新289

第9章 TensorBoard可视化工具293

9.1 可视化静态图293

9.1.1 图结构系列化并写入文件293

9.1.2 启动TensorBoard294

9.2 图像显示296

9.2.1 系列化图像Tensor并写入文件296

9.2.2 用TensorBoard查看图像299

9.3 标量曲线301

9.3.1 系列化标量Tensor并写入文件301

9.3.2 用TensorBoard查看标量曲线302

9.4 参数直方图303

9.4.1 系列化参数Tensor并写入文件303

9.4.2 用TensorBoard查看参数直方图304

9.5 文本显示306

9.5.1 系列化文本Tensor并写入文件306

9.5.2 用TensorBoard查看文本307

第四篇 卷积神经网络实战篇310

第10章 中文手写字识别310

10.1 网络结构及数据集310

10.1.1 网络结构310

10.1.2 数据集311

10.2 代码实现312

10.2.1 封装通用网络层312

10.2.2 定义网络结构314

10.2.3 数据读取316

10.2.4 训练代码实现318

10.3 模型训练321

10.4 模型精度测试321

10.4.1 精度测试322

10.4.2 代码实现322

第11章 移植模型到TensorFlow Serving端324

11.1 模型转换324

11.1.1 转换模型为TensorFlow Serving模型324

11.1.2 代码实现327

11.2 模型部署329

11.2.1 搭建TensorFlow Serving环境329

11.2.2 启动TensorFlow Serving服务331

11.3 HTTP服务实现333

11.3.1 使用gRPC调用TensorFlow Serving服务333

11.3.2 实现HTTP服务334

11.4 前端交互实现336

11.4.1 界面布局336

11.4.2 手写板实现337

11.4.3 数据交互339

11.4.4 流程测试340

第12章 移植TensorFlow模型到Android端341

12.1 交互界面341

12.1.1 页面布局341

12.1.2 实现手写板342

12.2 使用TensorFlow Mobile库346

12.2.1 模型转换347

12.2.2 模型调用347

12.2.3 模型测试351

12.3 使用TensorFlow Lite库354

12.3.1 模型转换354

12.3.2 模型调用355

12.3.3 模型测试360

第13章 移植TensorFlow模型到iOS端361

13.1 界面布局361

13.1.1 页面布局361

13.1.2 实现手写板362

13.1.3 界面布局代码实现366

13.2 TensorFlow模型转CoreML模型369

13.2.1 模型转换369

13.2.2 分析模型对象的调用接口370

13.3 模型调用373

13.3.1 实现模型调用373

13.3.2 模型测试376